基於pseudo label的學習模型和Loss形式
參考了論文Pseudo-Label : The Simple and Efficient Semi-Supervised Learning Method for Deep Neural Networks
對於unlabeled date,選擇預測概率最大的作為該樣本的偽label,如下式:不同的是:pseudo label用在了fine-tune階段。
Pre-trained Model用labeled和unlabeled的數據一起訓練總結的Loss形式如下:
n和n為mini batch的大小,C為類別個數,f為網路輸出,y和y分別為Label和pseudo label,α為平衡係數,是關於訓練時間t的函數。首先,在一開始α為0,模型只訓練有標記的樣本,從而儘快學習,之後α開始緩慢增加,知道達到某個迭代次數後,停止增加。從而實現半監督學習。
使用pseudo label作為ground truth來訓練下一個網路,看了師兄paper reading上講的那兩篇,都是用Unlabeled data先過一遍網路得到pesudo label,後面的訓練在用這些pesudo label作為GT進行有監督的學習,損失函數的形式也是各個部分以平衡係數相加。
1. Multiple Instance Detection Network with Online Instance Classifier Refinement (ICCV2017)
- 輸入:使用SS生成大約2000個object proposals
- 網路組成:一個base network(MIDN)用來作為基礎的instance分類網路,loss為多分類交叉熵,輸出的結果進一步進行多次refinement,文章進行了兩次refinement
- loss:總的形式:
第一項為基礎網路的交叉熵loss,其中 φc由加權的sum pooling得到,值在(0,1)之間
第二項為各輪refinement的Loss和,第k輪的refinement的Loss形式如下:
其中
2.Tell Me Where to Look: Guided Attention Inference Network
- 網路框架
- loss三部分構成
Attention mining loss
其中是
對於額外的有監督的學習,額外的加了下面的Loss
其中
推薦閱讀: