基于伽马散度的半监督自训练图像分类OA

近年来,各种半监督自训练方法在解决图像分类问题时取得了巨大进展,受到人们广泛关注。然而,即使是主流前沿的FixMatch方法,在模型训练过程中也会出现伪标签错误累积导致的训练不稳定和类别间极端性能失衡问题。为解决该问题,在现有FixMatch方法的基础上引入具有稳健性质的伽马散度,并提出基于伽马散度的半监督自训练方法。该方法将伽马散度以正则项的形式添加到训练模型的损失函数中,对错误记忆的伪标签进行纠偏处理。在人工添加污染的模拟数据集和CIFAR-10数据集上进行不同方法的对比实验,验证了GammaFixMatch方法处理伪标签错误累积问题的优越性。