【CVPR2021】在类别不平衡的数据上施展半监督学习

类不平衡数据的半监督学习虽然是一个现实的问题，但已经得到了研究。虽然现有的半监督学习(SSL)方法在少数类上表现不佳，但我们发现它们仍然在少数类上生成高精度的伪标签。通过利用这一特性，在这项工作中，我们提出了类再平衡自我训练(CReST)，这是一个简单而有效的框架，用于改进现有的对类不平衡数据的SSL方法。CReST通过从一个未标记集中添加伪标记样本扩展了一个标记集，迭代地重新训练一个基线SSL模型，在该模型中，根据估计的类分布，从少数类中更频繁地选择伪标记样本。我们还提出了一种渐进式分布对齐，以适应调整CReST+的再平衡强度。我们展示了CReST和CReST+在各种类不平衡的数据集上改进了最先进的SSL算法，并始终优于其他流行的再平衡方法。

https://www.zhuanzhi.ai/paper/fdb3245caf8bded4d2ba340c2a9c64cc