面向少样本图像到图像翻译的半监督学习
计算机视觉与模式识别
2020-04-03 v2
摘要
在过去几年中，非配对图像到图像翻译取得了显著进展。尽管最新方法能够生成逼真的图像，但它们严重依赖大量标注图像。最近，一些方法解决了少样本图像到图像翻译这一具有挑战性的设置，减少了推理期间对目标域的标注数据需求。在这项工作中，我们更进一步，在训练期间也减少了源域所需的标注数据量。为此，我们提出通过一种容忍噪声的伪标签过程应用半监督学习。我们还应用了循环一致性约束，以进一步利用来自同一数据集或外部未标注图像的信息。此外，我们提出了若干结构修改以在这些情况下促进图像翻译任务。我们用于少样本图像翻译的半监督方法称为 SEMIT，在四个不同的数据集上仅使用 10% 的源标签即取得了优异结果，并且仅使用 20% 的标注数据便匹配了主要的全监督竞争者的性能。我们的代码和模型已公开于：https://github.com/yaxingwang/SEMIT。
关键词
引用
@article{arxiv.2003.13853,
title = {Semi-supervised Learning for Few-shot Image-to-Image Translation},
author = {Yaxing Wang and Salman Khan and Abel Gonzalez-Garcia and Joost van de Weijer and Fahad Shahbaz Khan},
journal= {arXiv preprint arXiv:2003.13853},
year = {2020}
}
备注
CVPR2020