【半监督学习】In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label Selection Framework for Semi-Supervised Learning 【论文链接】https://arxiv.org/pdf/2101.06329.pdf 【作者团队】Mamshad Nayeem Rizve, Kevin Duarte, Yogesh S Rawat, Mubarak Shah 【机构】中央佛罗里达大学 【发表时间】2021/1/19 【推荐理由】 本文提出了一种用于半监督学习的不确定性伪标签选择框架，已经被ICLR2021收录。 最近在半监督学习（SSL）中的研究主要由基于一致性正则化的方法主导，这些方法可实现出色的性能。但是，它们严重依赖于特定域的数据扩充，这对于所有数据模态来说都不容易生成。伪标签（PL）是一种通用的SSL方法，它没有此限制，但在其原始形式中效果相对较差。作者认为，伪标签（PL）的表现不佳，是由于模型校准不正确造成的高置信度预测错误；这些预测会产生许多错误的伪标签，从而导致训练繁琐。作者提出了一种不确定性感知的伪标签选择（UPS）框架，该框架通过大幅度减少训练过程中遇到的噪声量来提高伪标签的准确性。此外，UPS推广了伪标签过程，从而可以创建负样本伪标签。这些负样本伪标签可用于多标签分类以及用于改进单标签分类的负样本学习。与CIFAR-10和CIFAR-100数据集上的最新SSL方法相比，文章获得了出色的性能。此外，作者还表示该方法在视频数据集UCF-101和多标签数据集Pascal VOC上也取得了不错的性能。

内容中包含的图片若涉及版权问题，请及时与我们联系删除