SEVEN：深度半监督验证网络
机器学习
2017-06-16 v2 机器学习
摘要
验证用于确定两个样本是否属于同一类别，在人脸和指纹验证等重要应用中，存在数千或数百万个类别但每个类别仅有稀缺标注样本，这给现有深度学习模型带来两大挑战。我们提出一种名为半监督验证网络（SEmi-supervised VErification Network, SEVEN）的深度半监督模型来应对这些挑战。该模型由两个互补组件构成。生成组件通过跨类别从大量数据中学习通用显著结构，解决每个类别内监督不足的问题。判别组件利用学到的通用特征缓解类别内监督匮乏，并引导生成组件寻找整个数据流形中更具信息量的结构。这两个组件在SEVEN中联结以实现端到端训练。在四项验证任务上的大量实验表明，在标注数据短缺时，SEVEN显著优于其他最先进的深度半监督技术。此外，SEVEN与用更大量标注数据训练的全监督基线相比具有竞争力。这表明了SEVEN中生成组件的重要性。
引用
@article{arxiv.1706.03692,
title = {SEVEN: Deep Semi-supervised Verification Networks},
author = {Vahid Noroozi and Lei Zheng and Sara Bahaadini and Sihong Xie and Philip S. Yu},
journal= {arXiv preprint arXiv:1706.03692},
year = {2017}
}
备注
7 pages, 2 figures, accepted to the 2017 International Joint Conference on Artificial Intelligence (IJCAI-17)