BriefGPT - AI 论文速递
·
PEPL：用于细粒度图像分类的精确增强伪标注法在半监督学习中的应用
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文提出了一种基于半监督学习的伪标记方法，通过将伪标记应用于无标签样本并迭代训练模型，取得了与最先进方法相媲美的结果。作者指出学习课程原理和重启模型参数是关键因素。在实验中，使用了较少的标记样本，在CIFAR-10数据集上达到了94.91%的准确率，在Imagenet-ILSVRC数据集上达到了68.87%的top-1准确率。
🎯
关键要点
- 提出了一种基于半监督学习的伪标记方法。
- 通过将伪标记应用于无标签样本并迭代训练模型，取得了与最先进方法相媲美的结果。
- 学习课程原理和重启模型参数是关键因素。
- 在CIFAR-10数据集上使用4,000个标记样本，达到了94.91%的准确率。
- 在Imagenet-ILSVRC数据集上使用10%的标记样本，达到了68.87%的top-1准确率。
➡️
