-
我学到的思想
初始训练一个教师模型,用来给未标注的图片生成伪标注。用这些伪标注的图片,加上有标注的图片同时训练一个学生模型。通过给学生模型添加噪声使得学生模型优于教师模型,有更好的泛化能力,再用学生模型替代教师模型,以此迭代。 -
小细节
- 学生模型至少和教师模型一样复杂
- 用RandAugment进行数据增强,用dropout和stochastic depth给模型添加噪声
- 在平衡伪标注数据类别的时候,过采样数据少的类别,对于数据多的类别,保留教师模型标注下来置信度最高的数据
我学到的思想
初始训练一个教师模型,用来给未标注的图片生成伪标注。用这些伪标注的图片,加上有标注的图片同时训练一个学生模型。通过给学生模型添加噪声使得学生模型优于教师模型,有更好的泛化能力,再用学生模型替代教师模型,以此迭代。
小细节