题目: Milking CowMask for Semi-Supervised Image Classification

摘要:

一致性正则化是一种用于半监督学习的技术,最近被证明可以在标记数据很少的情况下产生强大的分类结果。该方法通过增加或反例扰动输入数据,并鼓励所学习的模型对未标记数据的扰动具有鲁棒性。在这里,我们评估了一种最近提出的增强方法,称为CowMasK。在半监督一致性正则化中,使用CowMask作为增强方法,我们在Imagenet上建立了一个新的最优结果,标记数据为10%,前5位误差为8.76%,前1位误差为26.06%。此外,我们使用的方法比其他方法简单得多。我们通过在小型图像基准SVHN、CIFAR-10和CIFAR-100上运行许多较小规模的实验,进一步研究了CowMask用于半监督学习的行为,在这些实验中,我们获得了与现有水平相当的结果,并且发现了CowMask扰动广泛适用的证据。

成为VIP会员查看完整内容
27

相关内容

半监督学习(Semi-Supervised Learning,SSL)是模式识别和机器学习领域研究的重点问题,是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据,以及同时使用标记数据,来进行模式识别工作。当使用半监督学习时,将会要求尽量少的人员来从事工作,同时,又能够带来比较高的准确性,因此,半监督学习目前正越来越受到人们的重视。
【Google】监督对比学习,Supervised Contrastive Learning
专知会员服务
72+阅读 · 2020年4月24日
元学习(Meta-Learning) 综述及五篇顶会论文推荐
论文浅尝 | 用于知识图中链接预测的嵌入方法 SimplE
开放知识图谱
22+阅读 · 2019年4月3日
Arxiv
7+阅读 · 2020年3月1日
Deep Co-Training for Semi-Supervised Image Segmentation
Arxiv
3+阅读 · 2017年10月1日
VIP会员
相关VIP内容
【Google】监督对比学习,Supervised Contrastive Learning
专知会员服务
72+阅读 · 2020年4月24日
微信扫码咨询专知VIP会员