Press "Enter" to skip to content

自监督、半监督、无监督学习,傻傻分不清楚?最新综述来帮你!

推荐给大家一篇昨天arXiv新出的论文 :

 

A survey on Semi-, Self- and Unsupervised Techniques in Image Classification (Similarities, Differences & Combinations)。

 

 

自监督、半监督、无监督,傻傻分不清楚?那来看看这篇论文吧!

 

来自德国的研究人员为你详解他们的 相似性、不同点和可以结合的地方 。

 

作者单位:德国基尔大学

 

作者们比较了 21 个最先进的模型,指出该领域的 三个趋势 :

 

1. 最先进的方法已经 可以应用于真实世界场景 ;

 

2. 与使用所有标签的监督学习相比,所需要的 监督程度正在下降 ;

 

3. 三种学习方法使用了相同的技术,但很少有文献讨论如何把他们 结合起来 。

 

探索无标签数据成为最近一年来机器学习领域的热点,下图展示了在深度学习图像分类问题中 无标签数据的作用 。

 

 

红色和蓝点圆点代表不同的类别,灰色圆点代表没有标签的数据。

 

如果我们仅使用有标签的数据,则他们风分界线是途中虚线。

 

如果考虑到无标签数据,那黑色的曲线是则应该是比较好的选择。

 

监督学习、半监督学习、非监督学习、自监督学习的示意图:

 

 

部分半监督学习方法图例:

 

 

部分自监督学习方法图例:

 

 

作者总结的半监督、自监督、无监督学习使用的一些关键技术:

 

 

可见三类学习方法中很多不同类型的算法使用了相同的组件。(具体缩写代表技术详情,请查阅原论文)

 

作者报告了在该领域常使用的数据集,图例:

 

 

作者汇总的一些结果:

 

 

可见,尽管监督学习仍然在图像分类中仍占统治地位,但半监督和自监督学习的算法已经表现出喜人的成绩,2019年出现的 半监督学习方法 fast-SWA 和自监督学习方法 AMDIM 在四个常用数据集上的精度已经接近监督学习的结果!

 

总之,黎明已现,前途光明,方法之间的结合很值得研究。

 

本文仅做了稍许的重点介绍,想要进一步研究该领域的朋友,可以在我爱计算机视觉公众号后台回复关键字“ 非监督综述 ”,即可收到下载地址。

 

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注