【ICML2020投稿论文】用于半监督图像分类的CowMask，Milking CowMask for Semi-Supervised Image Classification

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。