【半监督学习】iMAS（CVPR2023）

paper

code

创新点：

创新点1： 强调unlabel之间的差异性

作者强调一个观点：unlabel之间是存在差异的，有相对好学的样本，也有非常难学的样本，因此需要对他们进行差异区分，施行不同的data aug。

那么基于以上观点，整个模型的实现就需要分成两步：

step1：使用什么样的指标去区分unlabel的难易训练程度，首先需要计算一个指标。

step2：得到区分指标后，如何把其思路带入模型？半监督带入模型的方法一般就两个：一是通过data aug；一个是loss。

因此基于以上观点，作者提出一个class-weighted symmetric IoU（类加权对称IoU）来评估unlabel的难易程度，文中使用hardness来表示。

基本流程如下：

step1：计算再第i个unlabel样本经过弱增强后的student和teacher的输出p_i_s、p_i_t：

step2：获取再第i个unlabel样本的训练硬度hardness：