基于一致性正则化与熵最小化的半监督学习算法

TP391; 在一致性正则化与熵最小化的基础上提出一种新的半监督学习算法Mean Mixup,集成数据的互补信息,然后使用熵最小化给未标记数据生成可靠的伪标签,在一致性正则化下进一步优化模型分类结果.在常用数据集SVHN和CIFAR10上对Mean Mixup算法进行了评估,实验结果表明,所提出的方法在分类准确率上优于一些已有的半监督学习算法....

Full description

Saved in:
Bibliographic Details
Published in郑州大学学报（理学版） Vol. 53; no. 3; pp. 79 - 84
Main Authors 邵伟志, 潘丽丽, 雷前慧, 黄诗祺, 马骏勇
Format Journal Article
LanguageChinese
Published 中南林业科技大学 计算机与信息工程学院 湖南 长沙 410004 01.09.2021
Subjects
半监督学习
一致性正则化
熵最小化
伪标签
Online AccessGet full text
ISSN1671-6841
DOI10.13705/j.issn.1671-6841.2020320

Cover

More Information
Summary:TP391; 在一致性正则化与熵最小化的基础上提出一种新的半监督学习算法Mean Mixup,集成数据的互补信息,然后使用熵最小化给未标记数据生成可靠的伪标签,在一致性正则化下进一步优化模型分类结果.在常用数据集SVHN和CIFAR10上对Mean Mixup算法进行了评估,实验结果表明,所提出的方法在分类准确率上优于一些已有的半监督学习算法.
ISSN:1671-6841
DOI:10.13705/j.issn.1671-6841.2020320