基于条件旋转角度估计的半监督学习
计算机视觉与模式识别
2020-01-10 v1
摘要
自监督学习(SlfSL)旨在通过巧妙设计的 pretext 任务在无人工标注的情况下学习特征表示,在过去几年中取得了令人瞩目的进展。最近,SlfSL 也被认为是一种有前景的半监督学习(SemSL)解决方案,因为它提供了一种利用无标签数据的新范式。本工作通过提出将 SlfSL 与 SemSL 相耦合,进一步探索了这一方向。我们的见解是,SemSL 中的预测目标可以被建模为 SlfSL 目标预测器中的潜在因子。对潜在因子求边缘分布自然推导出一种新形式,将这两种学习过程的预测目标结合起来。通过一种简单而有效的 SlfSL 方法——旋转角度预测——来实现这一想法,我们创建了一种称为条件旋转角度估计(CRAE)的新 SemSL 方法。具体而言,CRAE 的特点是采用一个模块,在给定候选图像类别的条件下预测图像旋转角度。通过实验评估,我们表明 CRAE 优于其他现有的结合 SlfSL 与 SemSL 的方法。为了进一步提升 CRAE,我们提出了两个扩展以加强基础 CRAE 中 SemSL 目标与 SlfSL 目标之间的耦合。我们表明这导致了一种改进的 CRAE 方法,能够达到最先进的 SemSL 性能。
引用
@article{arxiv.2001.02865,
title = {Semi-supervised Learning via Conditional Rotation Angle Estimation},
author = {Hai-Ming Xu and Lingqiao Liu and Dong Gong},
journal= {arXiv preprint arXiv:2001.02865},
year = {2020}
}