抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
少数のラベル付きデータによる学習はコンピュータビジョンと機械学習研究コミュニティにおける長年の問題である。本論文では,意味類似性とインスタンス類似性を同時に考慮する,新しい半教師つき学習フレームワーク,SimMatchを導入した。SimMatchでは,一貫性正則化は意味レベルとインスタンスレベルの両方に適用される。同じインスタンスの異なった拡張見解は,同じクラス予測と,他のインスタンスと類似の類似性関係を持つように奨励される。次に,ラベル付きメモリバッファをインスタンスレベルで完全に利用し,意味とインスタンスの類似性の間のギャップを橋渡しする。最後に,これら2つの類似性を互いに同形に変換できる非折畳みと凝集操作を提案した。この方法で,セマンティックとインスタンス擬似ラベルは,より高品質で信頼できるマッチングターゲットを生成するために相互に伝播できる。広範な実験結果は,SimMatchが,異なるベンチマークデータセットと異なる設定で,半教師つき学習タスクの性能を改善することを実証した。特に,訓練の400の時代により,SimMatchは,画像Net上で1%と10%のラベル付き事例で,67.2%と74.4%Top-1精度を達成し,それは,ベースライン法より著しく優れていて,以前の半教師つき学習フレームワークより良好である。コードと事前訓練モデルはhttps://github.com/KyleZheng1997/simmatchで利用可能である。【JST・京大機械翻訳】