文章目录
Google总结的三个SSL常用组成部分
Consistency Regularization
基于假设:模型输出对于输入注入一些噪声后鲁棒。注入噪声可以通过模型本身的随机性(如 dropout)或者直接加入噪声(如 Gaussian noise),也可以通过 data augmentation。
自UDA开始,实验表明应用更强的增强形式可以显着提高一致性正则化的性能。因此除MixMatch外的后续三个都利用了在ReMixMatch定义为Augmentation Anchoring的方法去提升一致性正则:使用弱增强图像的预测作为同一图像的强增强预测的目标。
计算一致性正则的方式,一般有 l 2 l_2 l2 loss(MixMatch),KL散度(UDA)和CE loss(ReMixMatch、FixMatch,同时ReMixMatch中做了消融实验证实