利用半弱标签数据训练图像分类器
机器学习
2021-03-22 v1 计算机视觉与模式识别
摘要
在多示例学习 (MIL) 中，弱标签在包 (bag) 级别提供，仅已知存在/缺失信息。然而，与全监督模型相比存在显著的性能差距，限制了 MIL 方法的实际适用性。因此，本文引入一种新颖的半弱标签学习范式作为折中方案以缓解该问题。我们将半弱标签数据定义为：我们已知给定类别的存在或缺失以及每个类别的精确数量，而非仅知标签比例的数据。随后，我们提出一个两阶段框架来解决从半弱标签学习的问题。它利用了计数信息非负且离散这一事实。实验在从 CIFAR-10 生成的样本上进行。我们将我们的模型与全监督设定基线、弱监督设定基线以及从比例学习 (LLP) 基线进行比较。我们的框架不仅优于基于 MIL 的弱监督设定和从比例学习设定的基线模型，而且与全监督模型相比给出了可比的结果。此外，我们进行了彻底的消融研究，以分析跨数据集以及随批量大小、损失、架构改变、包大小和正则化的变化。
引用
@article{arxiv.2103.10608,
title = {Training image classifiers using Semi-Weak Label Data},
author = {Anxiang Zhang and Ankit Shah and Bhiksha Raj},
journal= {arXiv preprint arXiv:2103.10608},
year = {2021}
}
备注
First two authors contributed equally