SemiOccam：一种基于稀疏标签的鲁棒半监督图像识别网络
计算机视觉与模式识别
2025-07-22 v3 人工智能
机器学习
摘要
我们提出SemiOccam，这是一种高效利用半监督学习的图像识别网络。现有工作常依赖复杂的训练技术和架构，对数百个GPU小时进行训练，而其在极端有限标注数据下的泛化能力仍待提高。为此，我们构建一种分层混合密度分类机制，通过优化特征表示与目标类别之间的相互信息来压缩冗余信息，同时保留关键判别性成分。实验结果表明，我们的方法在三个常用数据集上实现了最先进的性能，其中在两个数据集上仅使用每类4个标记样本即可实现超过95%的准确率，且其简单架构使训练时间维持在分钟级别。值得注意的是，本文揭示了STL-10数据集在半监督学习中长期被忽视的数据泄漏问题，并删除重复数据以确保可靠的实验结果。我们发布了去重后的CleanSTL-10数据集以促进公平且可复现的研究。代码已公开于https://github.com/Shu1L0n9/SemiOccam。
引用
@article{arxiv.2506.03582,
title = {SemiOccam: A Robust Semi-Supervised Image Recognition Network Using Sparse Labels},
author = {Rui Yann and Tianshuo Zhang and Xianglei Xing},
journal= {arXiv preprint arXiv:2506.03582},
year = {2025}
}
备注
CleanSTL-10 available at https://huggingface.co/datasets/Shu1L0n9/CleanSTL-10