Data Distillation: Towards Omni-Supervised Learning
- 2017年12月
- 全方位监督(Omni-Supervised);数据精馏(data distillation)
- Ilija Radosavovic, Piotr Dollar, Ross Girshick, Georgia Gkioxari, Kaiming He,Facebook AI Research (FAIR)
全监督学习是一种半监督学习的特殊制度,学习者利用所有可用的标记数据加上互联网规模的未标记数据源。
全方位监督学习在现有标记数据集上的表现更低,提供了超越最先进的完全监督方法的潜力。
为了利用全方位监督的设置,我们提出了数据精馏,一种使用单一模型从多个未标记数据变换中合并预测的方法,以自动生成新的训练注释。
在COCO dataset上,实验了人体关键点检测和常规的目标检测,结论是使用数据蒸馏的模型好于直接使用标签训练的模型(监督模型)。