顺势而为：半监督细粒度学习中软标签选择的扩展与收缩
机器学习
2023-12-20 v1
摘要
尽管半监督学习（SSL）已取得令人瞩目的成果，但更具现实意义的 SSL 场景仍有待探索，即在无标签数据表现出极高识别难度的情况下，例如 SSL 背景下的细粒度视觉分类（SS-FGVC）。细粒度无标签数据上增加的识别难度会导致伪标签准确率灾难性下降，从而导致 SSL 模型性能不佳。为应对这一挑战，我们提出了基于类转移跟踪的置信度感知聚类软标签选择方法（SoC），该方法通过联合优化扩展目标与收缩目标，以软标签方式重构伪标签选择过程。前者鼓励软标签吸收更多候选类以确保真实类的存在，而后者鼓励软标签拒绝更多噪声类，理论上证明其等价于熵最小化。与各种最先进方法的比较表明，我们的方法在 SS-FGVC 中表现出优越的性能。检查点与源代码可在 https://github.com/NJUyued/SoC4SS-FGVC 获取。
引用
@article{arxiv.2312.12237,
title = {Roll With the Punches: Expansion and Shrinkage of Soft Label Selection for Semi-supervised Fine-Grained Learning},
author = {Yue Duan and Zhen Zhao and Lei Qi and Luping Zhou and Lei Wang and Yinghuan Shi},
journal= {arXiv preprint arXiv:2312.12237},
year = {2023}
}
备注
Accepted by AAAI 2024