FeatMatch:半教師つき学習のための特徴ベース強化【JST・京大機械翻訳】

Kuo Chia-Wen; Ma Chih-Yao; Huang Jia-Bin; Kira Zsolt

プレプリント

J-GLOBAL ID：202202202960947300 整理番号：22P0171848

FeatMatch:半教師つき学習のための特徴ベース強化【JST・京大機械翻訳】

FeatMatch: Feature-Based Augmentation for Semi-Supervised Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2020年07月16日プレプリントサーバーでの情報更新日： 2020年07月16日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

最近の最先端の半教師つき学習(SSL)法は,コア成分として画像ベース変換と一貫性正則化の組み合わせを使用する。しかし,そのような方法は,従来のデータ増強や2つの画像の凸組合せのような単純な変換に限定されている。本論文では,複雑な変換の多様な集合を生成する新しい学習特徴ベース精密化と増強法を提案した。重要なことは,これらの変換もクラス内とクラス間プロトタイプ表現の両方からの情報を利用し,クラスタリングを通して抽出する。メモリバンクにそれらを保存することにより,反復を通して既に計算された特徴を用いて,重要な余分の計算の必要性を回避した。次に,従来の画像ベース増強と組み合わせたこれらの変換を,一貫性ベースの正則化損失の一部として使用した。提案手法は,より小さなデータセット(CIFAR-10とSVHN)の最新技術に匹敵するが,CIFAR-100とミニImagenetのような大きなデータセットまでスケールアップでき,ここでは,最先端技術(例えば,ミニImageNetで17.44%)の最先端で著しい利得を達成した。著者らはさらに,ドメインNetに関する著者らの方法をテストして,ドメイン外ラベルなしデータに対するより良いロバスト性を実証して,厳密なアブレーションと解析を実行して,この方法を検証した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

図形・画像処理一般 , パターン認識

前のページに戻る