本文针对GAN生成的无标签样本，提出多伪正则化标签(MpRL)方法，自动分配基于贡献的虚拟标签，减少训练中的模糊预测。与LSRO相比，MpRL考虑了类别的不同预测概率，动态更新字典以适应生成样本的从属关系，同时应用正则化防止过拟合。实验结果显示，与基线方法相比， MpRL提高了5.91%的性能。
类别（Reid、GAN、semi-supervised ）
主要思想：由vanilla GAN生成的样品通常没有标签。因此，本文提出了一个称为多伪正则化标签(MpRL)的虚拟标签，并将其分配给生成的图像。
考虑到生成样本和原始样本的区别，MpRL使用了不同的预定义训练类（trainning class）的贡献。基于贡献的虚拟标签被自动分配到生成的样本中，以减少训练中的模糊预测。与此同时，MpRL只依赖预定义的培训类而不使用额外的类。此外，为了减少过度拟合，将正则化的方法应用于MpRL。
相关工作：label smooth regularization for outliers (LSRO)
（生成的样本被归到已有类中，而不是被认为是新类）该方法将虚拟标签分配给生成的样本，并在所有预定义的培训类上使用统一的label distribution。统一的分布同等的看待了所有预定义类的贡献。更具体地说，如果预定义的类的数量是K，那么每个类的贡献就等于1/K。在这个设计中，LSRO展示了两个不良特征:1)在生成的样本空间中，所有生成的样本共享相同的虚拟标签，2
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
