目录
- 前言
- UniMatch 概述
- 回顾 FixMatch
- 统一图像和特征的扰动
- 双流扰动
- 实验
- 总结
- 参考
前言
我们首先回顾下发表在 NeurIPS 2020 上的 FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence，FixMatch 是一种更轻量的半监督分类方法。如下图所示，FixMatch 首先使用模型（带标签数据训练后的）对弱增强的未标记图像进行预测，生成伪标签。对于给定的图像，只有在模型产生高置信度的预测时，伪标签才会被保留。然后，在输入同一图像的强增强版本时，训练模型预测伪标签。
有趣的是，这样一个简单的流程在转移到分割场景中已经取得了与最近的先进工作相近的结果。然而，它的成功在很大程度上依赖于对强数据增强的手动设计。出于这个动机，这篇文章提出了一个辅助特征扰动流作为补充，从而扩大了扰动空间（特征级别）。另一方面，为了充分探索原始图像级别的增强，提出了一种双流扰动技术，使两个强视图同时由一个共同的弱视图引导（可以理解为增大 FixMatch 的强增强分支数量）。
下面我们正式开始 UniMatch 的介绍。
UniMatch 概述
下图（a）表示普通的 FixMatchÿ