SSB:用于提升开放集半监督学习性能的简洁而强力的基线
计算机视觉与模式识别
2023-11-20 v1 机器学习
摘要
半监督学习(SSL)方法能有效利用无标签数据提升模型泛化能力。然而,SSL模型在开放集场景下往往表现不佳,其中无标签数据包含来自未见新类别的离群点,这些类别未出现在有标签集中。本文研究具有挑战性且贴近实际的开放集SSL设定,其目标既是对内点正确分类,又是检测离群点。直观上,内点分类器应仅在内点数据上训练。但我们发现,内点分类性能可通过引入高置信度伪标签数据(无论其为内点还是离群点)大幅提升。此外,我们提出在多任务学习框架中利用非线性变换分离用于内点分类与离群点检测的特征,以防止二者间的不良影响。另外,我们引入伪负样本挖掘,进一步提升了离群点检测性能。这三个要素构成了我们所称的用于开放集SSL的简洁而强力的基线(SSB)。实验中,SSB大幅提升了内点分类与离群点检测性能,以明显优势超越现有方法。我们的代码将发布于 https://github.com/YUE-FAN/SSB。
引用
@article{arxiv.2311.10572,
title = {SSB: Simple but Strong Baseline for Boosting Performance of Open-Set Semi-Supervised Learning},
author = {Yue Fan and Anna Kukleva and Dengxin Dai and Bernt Schiele},
journal= {arXiv preprint arXiv:2311.10572},
year = {2023}
}
备注
Paper accepted in ICCV 2023