论文解读（FixMatch）《FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence》

Note：[ wechat：Y466551 | 可加勿骚扰，付费咨询 ]

论文信息

论文标题：FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence
论文作者：
论文来源：2020 aRxiv
论文地址：download 
论文代码：download
视屏讲解：click

1-介绍 

　　动机：解决现有半监督方法利用未标记数据来提高模型性能存在复杂度较高的问题；

2-相关

一致性正则化

　　一致性正则化利用未标记的数据，依赖于假设模型应该输出类似的预测时，输入相同的图像。

　　　　$\sum_{b=1}^{\mu B}\left\|p_{\mathrm{m}}\left(y \mid \alpha\left(u_{b}\right)\right)-p_{\mathrm{m}}\left(y \mid \alpha\left(u_{b}\right)\right)\right\|_{2}^{2}$

伪标签

　　伪标记利用了使用模型本身来获得未标记数据[32,47]的人工标签的想法。

　　　　$\frac{1}{\mu B} \sum_{b=1}^{\mu B} \mathbb{1}\left(\max \left(q_{b}\right) \geq \tau\right) \mathrm{H}\left(\hat{q}_{b}, q_{b}\right)$

　　思想：伪标记——熵最小化——低密度分离

3-方法

模型框架

　　

算法

　　

4-实验

　　略