Impulsionando Aprendizado Semi-Supervisionado com Triagem de Duplo Limite e Aprendizado de Similaridade

Como utilizar efetivamente dados não rotulados para treinamento é um problema chave em Aprendizado Semi-Supervisionado (SSL). Os métodos SSL existentes muitas vezes consideram os dados não rotulados cujas previsões estão além de um limite fixo (por exemplo, 0,95), e descartam aqueles com menos de 0,95. Argumentamos que esses dados descartados têm uma grande proporção, são amostras difíceis e beneficiarão o treinamento do modelo se usados corretamente. Neste artigo, propomos um método inovador para aproveitar ao máximo os dados não rotulados, denominado DTS-SimL, que inclui dois designs principais: Triagem de Duplo Limite e Aprendizado de Similaridade. Exceto pelo limite fixo, o DTS-SimL extrai outro limite adaptativo à classe dos dados rotulados. Tal limite adaptativo à classe pode filtrar muitos dados não rotulados cujas previsões estão abaixo de 0,95, mas acima do limite extraído para o treinamento do modelo. Por outro lado, projetamos uma nova perda similar para realizar aprendizado de similaridade para todos os dados não rotulados altamente semelhantes, o que pode minerar ainda mais as informações valiosas dos dados não rotulados. Por fim, para um treinamento mais eficaz do DTS-SimL, construímos uma função de perda geral atribuindo quatro perdas diferentes a quatro tipos diferentes de dados. Extensos experimentos foram realizados em cinco conjuntos de dados de benchmark, incluindo CIFAR-10, CIFAR-100, SVHN, Mini-ImageNet e DomainNet-Real. Os resultados experimentais mostram que o DTS-SimL proposto atinge uma precisão de classificação de ponta. O código está disponível publicamente em https://github.com/GZHU-DVL/DTS-SimL.