0
| 本文作者： 嘉嘉 | 2022-09-19 14:18 |
日前，全球最負盛名的 AI 學術會議之一NeurIPS（Neural Information Processing Systems）公布了2022年論文接收結果。創(chuàng)新奇智投稿論文 《An Embarrassingly Simple Approach to Semi-Supervised Few-Shot Learning》成功被NeurIPS 2022接收。
作為當前全球最負盛名的 AI 學術會議之一，NeurIPS 是每年學界的重要事件。NeurIPS全稱是 Neural Information Processing Systems，神經信息處理系統(tǒng)大會，通常在每年 12 月由 NeurIPS 基金會主辦。大會討論的內容包含深度學習、計算機視覺、大規(guī)模機器學習、學習理論、優(yōu)化、稀疏理論等眾多細分領域。 今年 NeurIPS 已是第 36 屆，將于 11 月 28 日至 12 月 9 日舉行，為期兩周。第一周將在美國新奧爾良 Ernest N.Morial 會議中心舉行現場會議，第二周改為線上會議。NeurIPS 2022 論文投稿早已在 5 月 19 日截止，今日官方終于公布了錄用結果。根據官網郵件中給出的數據，本屆會議共有 10411 篇論文投稿，接收率為 25.6％，略低于去年的 26％。
圖1：論文概要
本文提出了一種基于反標簽學習的半監(jiān)督少樣本圖像分類學習方法，包括以下步驟：構造元任務，使用預訓練的神經網絡作為特征提取器，提取元任務中支持集、查詢集以及無標簽圖像數據集對應的特征，并在支持集上訓練一個分類器用于后續(xù)分類任務；反標簽學習模塊以較高正確率給無標簽數據打上反標簽，分類器在反標簽上進行學習更新，不斷迭代直到無法選出反標簽。正標簽學習模塊，在反標簽模塊迭代結束之后，得到類別均衡且正確率較高正標簽，并用分類器進行學習更新。
本文通過卷積神經網絡提取元任務中對應數據的特征，通過反標簽構造模塊以較高正確率利用無標簽數據，并用分類器在反標簽數據上進行學習更新，進行迭代之后設計正標簽學習模塊獲得類別均衡且正確率較高的正標簽，用分類器在正標簽數據上進行學習更新，以更加充分且高質量的利用無標簽數據，可以獲得更高的少樣本學習圖像分類準確率。
隨著深度學習的發(fā)展，卷積神經網絡在多個圖像任務上已經超過了人類的水平，但是這些模型的訓練依賴大量的數據，在現實生活中有些數據的采集難度較大，例如對液晶顯示屏幕所有種類缺陷數據的采集，另外這些數據的標注也需要耗費大量的人力和財力。 相比之下，人類視覺系統(tǒng)可以從少量的例子中快速學習到新的概念和特征，然后在新的數據中識別相似的對象。為了模仿人類的這種快速學習的能力，減少方法對于數據的依賴，少樣本學習近年來受到了越來越多的關注。少樣本學習旨在結合先驗知識快速地泛化到只包含少量有監(jiān)督信息的樣本的新任務中，在此設定下識別每個類別僅需要極少甚至一張帶標簽的樣本，所以可以極大地減少人工標注成本。
基于少樣本學習這樣數據量較少的設定，一個需要面臨的問題就是，在極少的帶標注數據上，很難讓模型較好的擬合到數據的分布。因此為了解決這樣的問題，少樣本學習中出現了結合半監(jiān)督的研究方向。另外為了解決數據標注困難的問題，反標簽學習的方法也應運而生。反標簽顧名思義就是給數據打上相反的標簽，是一種間接的方式代表該數據不屬于某個類別。這樣的做法可以大大降低數據標注的錯誤，例如對于一個5分類問題來說，給數據打真實標簽即正標簽錯誤的概率為給數據打反標簽錯誤概率的4倍。另外在半監(jiān)督少樣本學習當中，由于帶標簽數據很少，因此模型在初始階段很難有好的效果。用這樣的模型給無標簽數據標記偽標簽將會出現大量的錯誤以及類別不平衡的現象。在這樣的情況結合反標簽學習的方法就可以解決這樣的問題。本發(fā)明研究的基于反標簽學習的半監(jiān)督少樣本學習方法，針對半監(jiān)督少樣本學習，設計適合的反標簽標注方法，并結合反標簽學習解決半監(jiān)督少樣本學習中出現的無標簽數據利用不充分等問題。
目前，出現了許多研究半監(jiān)督少樣本學習的方法，但依然存在一些問題： 1）給無標簽數據標注偽標簽的正確率較低，錯誤標記的樣本會影響最后的結果；2）無標簽數據上標注的偽標簽存在類別不平衡現象；3）方法較為復雜。
本論文提出了一種基于反標簽學習的半監(jiān)督少樣本圖像分類學習方法。 方法具體如下：
步驟1，構造元任務，使用預訓練的神經網絡作為特征提取器用來提取圖像數據，提取元任務中支持集、查詢集以及無標簽數據集對應的特征，并在支持集上訓練一個分類器，用于后續(xù)圖像分類任務；
步驟2，反標簽學習模塊以較高的95%正確率給無標簽圖像數據打上反標簽，用分類器在反標簽上進行學習更新，通過不斷迭代直到無法選出反標簽；
步驟3，正標簽學習模塊得到類別均衡且正確率高達85%的正標簽，并用分類器進行學習更新；
步驟4，用訓練好的分類器在查詢集上預測得到最后圖像分類的類別結果。
本文提出的方法與已有技術相比，其顯著優(yōu)點為：
（1）本發(fā)明設計的反標簽學習模塊，通過給無標簽圖像數據標注反標簽并進行學習的方式，在模型效果還不好的初始階段，大大降低給無標簽圖像數據標注標簽的錯誤率；
（2）經過反標簽學習模塊之后，本發(fā)明設計的正標簽學習模塊可以得到正確率高且類別均衡的正標簽，繼續(xù)對模型進行訓練；
（3）本發(fā)明提出的方法相較于之前的方法流程簡單，可以更充分且高質量利用無標簽圖像數據進行學習，最后在圖像分類任務上得到了更好的效果。
創(chuàng)新奇智CTO張發(fā)恩（論文作者之一）表示：“當前的深度學習技術對人工標注的數據樣本（也即帶標簽數據樣本）數量具有很大依賴性，如何減少對帶標簽數據樣本的依賴，利用較少的帶標簽數據樣本訓練出理想的視覺算法模型成為當下亟待突破的技術難點。 少樣本學習旨在從已有類別的數據中學習先驗知識，然后利用極少的標注數據完成對新類別的識別，打破了樣本數據量的制約，在傳統(tǒng)制造業(yè)等樣本普遍缺失的領域具有實用價值，有助于推動AI落地。”
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
