Roll With the Punches: Expansion and Shrinkage of Soft Label Selection for Semi-supervised Fine-Grained Learning

要約

半教師あり学習 (SSL) は有望な結果をもたらしましたが、ラベルのないデータが非常に高い認識困難を示す、より現実的な SSL シナリオ (例: SSL のコンテキストでのきめ細かい視覚分類) はまだ検討されていません。
）。
きめの細かいラベルなしデータの認識難易度の増加は、擬似ラベルの精度に悪影響を及ぼし、結果として SSL モデルのパフォーマンスが低下します。
この課題に取り組むために、我々は、ソフトラベル方式に基づく拡張目標と縮小目標を共同最適化することによって擬似ラベル選択プロセスを再構築することにより、クラス遷移追跡（SoC）に基づく信頼性を意識したクラスタリングを使用したソフトラベル選択を提案します。
それぞれ、前者の目的は、ソフトラベルがより多くの候補クラスを吸収してグラウンドトゥルースクラスへの出席を確保することを奨励するのに対し、後者の目的は、ソフトラベルがよりノイズの多いクラスを拒否することを奨励します。これは理論的にはエントロピーの最小化と同等であることが証明されています。
さまざまな最先端の手法と比較すると、私たちのアプローチは SS-FGVC で優れたパフォーマンスを発揮します。
チェックポイントとソース コードは https://github.com/NJUyued/SoC4SS-FGVC で入手できます。

要約(オリジナル)

While semi-supervised learning (SSL) has yielded promising results, the more realistic SSL scenario remains to be explored, in which the unlabeled data exhibits extremely high recognition difficulty, e.g., fine-grained visual classification in the context of SSL (SS-FGVC). The increased recognition difficulty on fine-grained unlabeled data spells disaster for pseudo-labeling accuracy, resulting in poor performance of the SSL model. To tackle this challenge, we propose Soft Label Selection with Confidence-Aware Clustering based on Class Transition Tracking (SoC) by reconstructing the pseudo-label selection process by jointly optimizing Expansion Objective and Shrinkage Objective, which is based on a soft label manner. Respectively, the former objective encourages soft labels to absorb more candidate classes to ensure the attendance of ground-truth class, while the latter encourages soft labels to reject more noisy classes, which is theoretically proved to be equivalent to entropy minimization. In comparisons with various state-of-the-art methods, our approach demonstrates its superior performance in SS-FGVC. Checkpoints and source code are available at https://github.com/NJUyued/SoC4SS-FGVC.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google