论文地址:https://arxiv.org/pdf/1911.04252v1.pdf
这篇文章实现了自训练方法,使用部分带标签数据进行训练,在ImageNet上top-1为87.4%。
方法:
1. 为有标签和无标签的图片。
2. 使用有标签的数据、标准交叉熵损失训练了一个EfficientNet作为教师网络。
3. 用这个教师网络,在无标签数据上生成伪标签,伪标签可以是soft label(持续分布),或者hard label(one-hot分布)。文章说软标签效果更好。
4. 在有标签和无标签数据下,使用交叉熵训练一个学生网络。
5. 通过把学生网络视为教师网络,迭代以上步骤,生成新的伪标签,并训练学生网络。
软标签和硬标签,举个例子,比如图片A,输入一个分5类的网络。软标签[0.7, 0.3, 0, 0, 0],硬标签[1, 0, 0, 0, 0]。
算法如下:
算法基于半监督学习,主要的困难在于:训练学生网络的时候添加更多的噪声,在教师网络生成标签时把这些噪声移除。使用的噪声有:dropout,随机深度,数据增广。如果使用数据增广,学生必须保证被转换的