利用分类学标签的半监督学习

我们提出将粗粒度分类学标签纳入细粒度领域图像分类器训练的技术。此类标签在细粒度领域(如自然世界,其中类别按生物分类学组织)通常可用较小代价获得。在由三个界共 810 个物种组成的 Semi-iNat 数据集上,在采用 ImageNet 预训练模型的迁移学习设置中,加入门(Phylum)标签使物种级分类准确率提高了 6%。将层次标签结构与称为 FixMatch 的最先进半监督学习算法结合进一步将性能提升了 1.3%。当提供类别(Class)或目(Order)等详细标签,或从零开始训练模型时,相对增益更大。然而,我们发现大多数方法对来自新类的域外数据的存在不具备鲁棒性。我们提出一种由层次结构引导从大量未标记图像集合中筛选相关数据的技术,提高了鲁棒性。总体而言,我们的实验表明,利用粗粒度分类学标签的半监督学习在细粒度领域训练分类器是切实可行的。