逐类对比原型网络

交叠类别错配下精度领先

一个专为半监督学习中交集型类别错配设计的深度学习模型，能有效利用未标注数据提升分类性能。

Mingyu, Li · 周涛 · Han, Bo · Liu, Tongliang · Xinkai, Liang · Jiajia, Zhao · Gong, Chen

IEEE Transactions on Multimedia 2024

参数信息

对比方法数量

16

技术优势

能利用未标注数据

通过原型加权，对每个未标注样本根据其与已知类别原型的相似度分配权重，减少分布外类别样本的负面影响，从而在类别错配下仍能从未标注数据中获益。

抑制错误分配

私有类别分配抑制策略利用原型防止未标注样本被错误分配到标注集中的私有类别，从而避免模型对私有类别的过度拟合。

应用场景

• 工业视觉质检：质检线新缺陷类别不断出现，标注集无法覆盖全部类别，此方法能利用无标注图像提升模型稳定性。
• 物联网数据分析：物联网设备产生海量未标注数据且类别动态变化，该方法能容忍标注集与未标注集的类别差异。
• 智能体感知模型：智能体感知环境中新物体类别频繁出现，该方法防止模型将新类别错误归入已知私有类别。