Augmentation Learning for Semi-Supervised Classification

要約

近年、新しい半教師付き学習法が数多く登場している。ImageNetや類似のデータセットに対する精度は時間とともに向上しているが、自然画像の分類以外のタスクに対する性能はまだ調べられていない。多くの半教師付き学習手法は、注意深く手動で設計されたデータ補強パイプラインに依存しており、他のドメインの画像に対する学習には転用ができない。本研究では、特定のデータセットに対して最も効果的なデータ補強の方針を自動的に選択する半教師付き学習法を提案する。本手法はFixmatch法をベースに、拡張のメタ学習により拡張したものである。拡張は、分類学習の前の追加学習で学習され、拡張方針を最適化し、精度を最大化するために、2レベル最適化を利用する。我々は、衛星画像と手描きのスケッチを含む2つのドメイン固有のデータセットで我々のアプローチを評価し、最先端の結果を得る。さらに、拡張方針の学習に関連する様々なパラメータをアブレーションで調査し、ImageNet以外のデータセットに拡張方針を適応させるために、どのように方針学習を用いることができるかを示している。

要約(オリジナル)

Recently, a number of new Semi-Supervised Learning methods have emerged. As the accuracy for ImageNet and similar datasets increased over time, the performance on tasks beyond the classification of natural images is yet to be explored. Most Semi-Supervised Learning methods rely on a carefully manually designed data augmentation pipeline that is not transferable for learning on images of other domains. In this work, we propose a Semi-Supervised Learning method that automatically selects the most effective data augmentation policy for a particular dataset. We build upon the Fixmatch method and extend it with meta-learning of augmentations. The augmentation is learned in additional training before the classification training and makes use of bi-level optimization, to optimize the augmentation policy and maximize accuracy. We evaluate our approach on two domain-specific datasets, containing satellite images and hand-drawn sketches, and obtain state-of-the-art results. We further investigate in an ablation the different parameters relevant for learning augmentation policies and show how policy learning can be used to adapt augmentations to datasets beyond ImageNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL