Key points are not available for this paper at this time.
Um die extreme Abhängigkeit von Beschriftungen bei überwachten Produktquantisierungsmethoden zu reduzieren, verwendet das semi-supervised Paradigma in der Regel massive unlabeled Daten, um bei der Regularisierung tiefer Netzwerke zu helfen und damit die Leistungsfähigkeit des Modells zu verbessern. However konzentriert sich die vorhandene Methode auf die Konsistenz der Gesamtverteilung zwischen unlabeled Daten und Klassenprototypen, während subtile individuelle Abweichungen zwischen unlabeled Instanzen ignoriert werden. Daher wird die lokale Nachbarschaftsstruktur nicht vollständig erkundet, was dazu führt, dass das Modell im Trainingssatz leicht überanpasst. In diesem Papier führen wir eine neue Fourier-Perspektive ein, um dieses Problem zu mildern, indem wir die semantischen Beziehungen zwischen unlabeled Instanzen auf selbstüberwachende Weise erkunden. Konkret entwerfen wir auf Basis der Fourier-Transformation zunächst eine Phase Mixing (PM) Strategie, die es ermöglicht, den Mischbereich und die Werte der Phasenkomponente zwischen zwei Bildern zu manipulieren, um den Anteil an semantischer Information zu kontrollieren. Auf diese Weise können wir auf natürliche Weise mehrstufige Ähnlichkeitsnachbarn für unlabeled Daten konstruieren. Dann wird ein Ranking-Quantisierungsverlust formuliert, um mehrstufige semantische Variationen in Nachbarinstanzen wahrzunehmen, was die Robustheit und Generalisierung des Modells verbessert. Umfangreiche Experimente in drei verschiedenen semi-supervised Einstellungen zeigen, dass unsere Methode bestehende State-of-the-Art Methoden um durchschnittlich 3,95 % auf vier Datensätzen übertrifft.
Li et al. (Sat,) untersuchten diese Frage.