用于图像识别的半监督自生长生成对抗网络
计算机视觉与模式识别
2019-08-13 v1
摘要
图像识别是计算机视觉与图像处理中的重要课题，目前主要依靠监督深度学习方法来解决，这些方法需要大量标注图像才能取得理想的性能。然而，在多数情况下，标注数据昂贵甚至无法获取，而未标注数据可以轻易从众多免费在线资源中获得，并已被用于提升深度神经网络的性能。为了更好地利用未标注数据的力量进行图像识别，在本文中，我们提出了一种半监督与生成式方法，即半监督自生长生成对抗网络。标签推断是半监督学习方法成功的关键步骤。标签推断存在两个主要问题：如何度量未标注数据的置信度以及如何泛化分类器。我们分别通过生成框架和一种新颖的卷积块转换技术解决了这两个问题。为了稳定并加速 SGGAN 的训练过程，我们采用最大均值差异度量作为特征匹配目标函数，并取得了比标准半监督 GAN (SSGAN) 更大的增益，缩小了与监督方法的差距。在多个基准数据集上的实验表明了所提出的 SGGAN 在图像识别和面部属性识别任务上的有效性。通过仅使用 4% 标注面部属性的训练数据，SGGAN 方法可以取得与使用全部标注面部属性的领先监督深度学习方法相当的准确率。
引用
@article{arxiv.1908.03850,
title = {Semi-Supervised Self-Growing Generative Adversarial Networks for Image Recognition},
author = {Haoqian Wang and Zhiwei Xu and Jun Xu and Wangpeng An and Lei Zhang and Qionghai Dai},
journal= {arXiv preprint arXiv:1908.03850},
year = {2019}
}
备注
13 pages, 11 figures, 8 tables. arXiv admin note: text overlap with arXiv:1606.03498 by other authors