Improving Open-Set Semi-Supervised Learning with Self-Supervision

要約

オープン セット半教師あり学習 (OSSL) は、ラベルなしトレーニング セットにラベル付きセットに存在しないクラスが含まれる、半教師あり学習の現実的な設定です。
多くの既存の OSSL メソッドは、これらの分布外のデータは有害であると想定しており、トレーニング目標から未知のクラスのデータを除外することに力を注いでいます。
対照的に、自己教師によるすべてのラベル付けされていないデータからの学習を容易にする OSSSL フレームワークを提案します。
さらに、エネルギーベースのスコアを利用して、既知のクラスに属するデータを正確に認識するため、この方法は展開時にキュレーションされていないデータを処理するのに適しています。
いくつかのデータセットに対する広範な実験的評価を通じて、OSSSL の最先端技術と比較して、クローズド セットの精度とオープン セットの認識に関して、私たちの方法が全体的に比類のない堅牢性とパフォーマンスを示していることを示しています。
私たちのコードは公開時にリリースされます。

要約(オリジナル)

Open-set semi-supervised learning (OSSL) is a realistic setting of semi-supervised learning where the unlabeled training set contains classes that are not present in the labeled set. Many existing OSSL methods assume that these out-of-distribution data are harmful and put effort into excluding data from unknown classes from the training objective. In contrast, we propose an OSSL framework that facilitates learning from all unlabeled data through self-supervision. Additionally, we utilize an energy-based score to accurately recognize data belonging to the known classes, making our method well-suited for handling uncurated data in deployment. We show through extensive experimental evaluations on several datasets that our method shows overall unmatched robustness and performance in terms of closed-set accuracy and open-set recognition compared with state-of-the-art for OSSL. Our code will be released upon publication.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google