基于二维嵌入空间中标签传播的半监督深度学习
计算机视觉与模式识别
2021-01-18 v2 机器学习
摘要
虽然卷积神经网络训练图像需要大量标注集，但专家人工监督此类数据集可能非常费力。已有方案将标签从少量有监督图像传播到大量无监督图像，以获得足够的真实与人工标注样本来训练深度神经网络模型。然而，此类方案需要许多有监督图像用于验证。我们提出了一种循环：在其中，深度神经网络（VGG-16）由每次迭代中正确标注样本更多的集合训练，该集合通过 t-SNE 将其最后最大池化层的特征投影到二维嵌入空间中，并使用 Optimum-Path Forest 半监督分类器传播标签而创建。随着标注集在迭代中改善，它也改善了神经网络的特征。我们表明，这能在使用仅 1% 到 5% 有监督样本的情况下，显著改善三个私有挑战性数据集和两个公开数据集在测试数据上的分类结果。
引用
@article{arxiv.2008.00558,
title = {Semi-supervised deep learning based on label propagation in a 2D embedded space},
author = {Barbara Caroline Benato and Jancarlo Ferreira Gomes and Alexandru Cristian Telea and Alexandre Xavier Falcão},
journal= {arXiv preprint arXiv:2008.00558},
year = {2021}
}
备注
7 pages, 5 figures