本文介绍了基于图标签传播的深度半监督学习方法。首先使用有标签样本训练特征提取器和分类器，然后计算所有样本的特征相似度以生成伪标签。接着，通过解决线性方程组得到归一化的伪标签矩阵，并采用加权策略处理伪标签的确定性和数据不平衡问题。最后，结合未标记数据的损失函数进行优化。实验在CIFAR-10、CIFAR-100和Mini-ImageNet数据集上验证了该方法的有效性。
code:code
paper:paper
一篇半监督学习文章，基于图标签传播的转导学习。
主要步骤如下：1.用有label的样本学习一个特征提取器和对应分类器。2.基于特征提取器提取的特征计算所有样本（包括无label）之间的相似度。3.基于有label样本的label和相似度矩阵，计算出样本的伪label。4.用伪label进行监督学习。重复2到4这个步骤。
文章不是按算法的顺序进行介绍的，它先介绍别人的部分，然后再介绍自己补充的部分，下面我将文章中介绍的次序进行整理，以符合上面算法的流程，便于理解。
下面详细介绍上面几个步骤
l s l_s ls通常是交叉熵，在开始的T个epoch，只进行有label部分的学习
计算出n个样本的特征
V = ( v 1 , . . . , v n ) V = (v_1,...,v_n) V=(v1,..
1万+
618
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
