当前位置: X-MOL 学术Inform. Sci. › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
DML-PL:基于深度度量学习的类不平衡半监督学习伪标签框架
Information Sciences Pub Date : 2023-01-13 , DOI: 10.1016/j.ins.2023.01.074
Mi Yan , Siu Cheung Hui , Ning Li

传统的类不平衡学习算法需要标记训练数据,而半监督学习算法假设类分布是平衡的。然而,类不平衡和标签数据不足的问题在实际应用中经常并存。目前,大多数现有的类不平衡半监督学习方法分别解决这两个问题,导致训练模型偏向于具有更多数据样本的多数类。在这项研究中,我们提出了一种基于深度度量学习的伪标记 (DML-PL) 框架,该框架可以同时解决类不平衡半监督学习的这两个问题。拟议的 DML-PL 框架包括三个模块:深度度量学习、伪标签和网络微调。迭代自训练策略用于多次训练模型。对于每次训练,深度度量学习都会训练一个深度度量网络来学习标记和未标记数据的紧凑特征表示。伪标签然后通过标记数据聚类和最近邻选择为未标记数据生成可靠的伪标签。最后,Network Fine-tuning 对深度度量网络进行微调,以在后续训练中生成更好的伪标签。当所有未标记的数据都被伪标记时,训练结束。与基线模型相比,所提出的框架在长尾 CIFAR-10、CIFAR-100 和 ImageNet127 基准数据集上实现了最先进的性能。深度度量学习训练一个深度度量网络来学习标记和未标记数据的紧凑特征表示。伪标签然后通过标记数据聚类和最近邻选择为未标记数据生成可靠的伪标签。最后,Network Fine-tuning 对深度度量网络进行微调,以在后续训练中生成更好的伪标签。当所有未标记的数据都被伪标记时,训练结束。与基线模型相比,所提出的框架在长尾 CIFAR-10、CIFAR-100 和 ImageNet127 基准数据集上实现了最先进的性能。深度度量学习训练一个深度度量网络来学习标记和未标记数据的紧凑特征表示。伪标签然后通过标记数据聚类和最近邻选择为未标记数据生成可靠的伪标签。最后,Network Fine-tuning 对深度度量网络进行微调,以在后续训练中生成更好的伪标签。当所有未标记的数据都被伪标记时,训练结束。与基线模型相比,所提出的框架在长尾 CIFAR-10、CIFAR-100 和 ImageNet127 基准数据集上实现了最先进的性能。Network Fine-tuning 对深度度量网络进行微调,以在后续训练中生成更好的伪标签。当所有未标记的数据都被伪标记时,训练结束。与基线模型相比,所提出的框架在长尾 CIFAR-10、CIFAR-100 和 ImageNet127 基准数据集上实现了最先进的性能。Network Fine-tuning 对深度度量网络进行微调,以在后续训练中生成更好的伪标签。当所有未标记的数据都被伪标记时,训练结束。与基线模型相比,所提出的框架在长尾 CIFAR-10、CIFAR-100 和 ImageNet127 基准数据集上实现了最先进的性能。





"点击查看英文标题和摘要"

更新日期:2023-01-13
down
wechat
bug