迈向真实半监督学习
计算机视觉与模式识别
2022-07-29 v2 机器学习
摘要
深度学习正在推动许多计算机视觉应用的最先进水平。然而，它依赖于大型标注数据库，且捕捉真实世界数据的无约束本质尚待解决。半监督学习（SSL）以大量未标注数据补充标注训练数据，以降低标注成本。标准 SSL 方法假设未标注数据与标注数据来自相同分布。近来，一种更真实的 SSL 问题被提出，称为开放世界 SSL，其中未标注数据可能包含来自未知类的样本。在本文中，我们提出一种基于伪标签的新方法来解决开放世界设置下的 SSL。我们方法的核心是利用样本不确定性并融入关于类分布的先验知识，为属于已知和未知类的未标注数据生成可靠的类分布感知伪标签。我们的大量实验展示了我们的方法在多个基准数据集上的有效性，其在七个多样数据集上大幅优于现有最先进水平，包括 CIFAR-100（约 17%）、ImageNet-100（约 5%）和 Tiny ImageNet（约 9%）。我们还强调了我们的方法在解决新类发现任务中的灵活性，展示了其在处理不平衡数据时的稳定性，并以一种估计新类数量的技术补充了我们的方法。
引用
@article{arxiv.2207.02269,
title = {Towards Realistic Semi-Supervised Learning},
author = {Mamshad Nayeem Rizve and Navid Kardan and Mubarak Shah},
journal= {arXiv preprint arXiv:2207.02269},
year = {2022}
}
备注
Accepted to ECCV 2022 (Oral)