用于半监督关键点定位的伪标签自动课程学习
计算机视觉与模式识别
2022-01-25 v2
摘要
定位物体的关键点是基本的视觉问题。然而，关键点定位网络的有监督学习常需大量数据，获取昂贵且耗时。为此，半监督学习（SSL）日益受到关注，其利用一小部分标注数据及大量未标注数据。在这些 SSL 方法中，伪标签（PL）最为流行。PL 方法对未标注数据施加伪标签，随后用标注与伪标注数据的组合迭代训练模型。PL 成功的关键在于高质量伪标注样本的选择。以往工作多通过手动设定单一置信度阈值来筛选训练样本。我们提出以一系列动态阈值自动选择可靠的伪标注样本，从而构成学习课程。在六个关键点定位基准数据集上的大量实验表明，所提方法显著优于先前最先进的 SSL 方法。
引用
@article{arxiv.2201.08613,
title = {Pseudo-Labeled Auto-Curriculum Learning for Semi-Supervised Keypoint Localization},
author = {Can Wang and Sheng Jin and Yingda Guan and Wentao Liu and Chen Qian and Ping Luo and Wanli Ouyang},
journal= {arXiv preprint arXiv:2201.08613},
year = {2022}
}
备注
To appear on ICLR2022