基于 Grad-CAM 一致性的半监督图像分类
计算机视觉与模式识别
2021-09-01 v1
摘要
一致性训练通过对图像施加不同增强来结合监督与无监督学习，是以半监督学习（SSL）方式利用无标签数据的有效方法。本文提出该方法的另一种变体，引入 Grad-CAM 一致性损失，从而可在训练中使模型具备更好的泛化性与可调性。我们表明，在 CIFAR-10 数据集上，所提方法相较基线 ResNet 模型最高提升 1.44%，平均提升 0.31 ± 0.59 %p 准确率。我们开展了消融研究，与仅使用伪标签进行一致性训练进行对比。此外，我们认为当以模型中不同单元为目标时，本方法可适应不同环境。代码见：https://github.com/gimme1dollar/gradcam-consistency-semi-sup。
引用
@article{arxiv.2108.13673,
title = {Semi-supervised Image Classification with Grad-CAM Consistency},
author = {Juyong Lee and Seunghyuk Cho},
journal= {arXiv preprint arXiv:2108.13673},
year = {2021}
}
备注
4 pages, 3 figures