A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Semi-Supervised Representation Learning via Triplet Loss Based on Explicit Class Ratio of Unlabeled Data Aprendizagem de representação semissupervisionada por meio de perda tripla com base na proporção de classes explícita de dados não rotulados

Kazuhiko MURASAKI, Shingo ANDO, Jun SHIMAMURA

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

Neste artigo, propomos uma função de perda tripla semissupervisionada que realiza o aprendizado de representação semissupervisionado de uma maneira nova. Estendemos a perda tripla convencional, que usa dados rotulados para obter aprendizado de representação, para que possa lidar com dados não rotulados. Estimamos, antecipadamente, o grau em que cada rótulo se aplica a cada ponto de dados não rotulado e otimizamos a função de perda com recursos não rotulados de acordo com as proporções resultantes. Como a função de perda proposta tem o efeito de ajustar a distribuição de todos os dados não rotulados, ela complementa métodos baseados na regularização de consistência, que tem sido extensivamente estudado nos últimos anos. Combinado com um método baseado em regularização de consistência, nosso método alcança um aprendizado semissupervisionado mais preciso. Experimentos mostram que a função de perda proposta atinge uma precisão maior do que o método convencional de ajuste fino.

Publicação
IEICE TRANSACTIONS on Information Vol.E105-D No.4 pp.778-784
Data de publicação
2022/04/01
Publicitada
2022/01/17
ISSN online
1745-1361
DOI
10.1587/transinf.2021EDP7073
Tipo de Manuscrito
PAPER
Categoria
Reconhecimento de imagem, visão computacional

autores

Palavra-chave