面向半监督学习的无监督语义聚合与可变形模板匹配
计算机视觉与模式识别
2020-10-13 v1 机器学习
摘要
无标签数据学习近来备受关注。然而，仅通过无监督学习提取期望的高层语义特征仍难以实现。同时，半监督学习 (SSL) 在利用少量样本方面展现出广阔前景。本文结合二者提出一种用于 SSL 的无监督语义聚合与可变形模板匹配 (USADTM) 框架，力求以少量标注数据提升分类性能，从而降低数据标注成本。具体地，探索基于三元互信息 (T-MI) 损失的无监督语义聚合为无标签数据生成语义标签。随后借助标注数据的监督将语义标签对齐至实际类别。此外，动态更新存储标注样本的特征池以为无标签数据分配代理标签，并将其作为交叉熵最小化的目标。在四个标准半监督学习基准上的大量实验与分析证实 USADTM 取得顶尖性能（例如，在 CIFAR-10 上 40 个标签时准确率为 90.46%，250 个标签时准确率为 95.20%）。代码发布于 https://github.com/taohan10200/USADTM。
引用
@article{arxiv.2010.05517,
title = {Unsupervised Semantic Aggregation and Deformable Template Matching for Semi-Supervised Learning},
author = {Tao Han and Junyu Gao and Yuan Yuan and Qi Wang},
journal= {arXiv preprint arXiv:2010.05517},
year = {2020}
}
备注
accepted by NeurIPS 2020