通过连接高和低置信度预测增强半监督学习
原文中文,约300字,阅读约需1分钟。发表于: 。提出了一种名为 ReFixMatch 的新方法,旨在利用所有未标记数据进行训练,从而提高模型的泛化能力和在半监督学习基准测试上的性能。值得注意的是,ReFixMatch 在 ImageNet 上使用 10 万个标记示例时达到了 41.05%的 top-1 准确率,优于基准 FixMatch 和目前最先进的方法。
本文提出了一种基于半监督学习的方法,通过将伪标记应用于无标签集中的样本,并利用已训练好的模型标记这些样本,然后迭代重复此过程来训练模型。实验证明,伪标记方法可以取得与现有最先进方法相媲美甚至更好的结果,并且更能抵御未知分布样本。作者指出采用学习课程原理以及在每个自我训练周期前重启模型参数是实现这一点的两个关键因素。在CIFAR-10数据集上,本文仅使用了4,000个标记样本,达到了94.91%的准确率,在Imagenet-ILSVRC数据集上,本文仅使用了10%的标记样本,达到了68.87%的top-1准确率。