論文基本情況

發表時間及刊物/會議：2022 CVPR
發表單位：西安電子科技大學，香港中文大學，重慶郵電大學

問題背景

在大部分半監督學習方法中，一般而言，只有部分置信度高於提前設定的閾值的無標籤資料被利用。由此說明，大部分半監督方法沒有充分利用已有資料進行訓練。

論文創新點

設定了Adaptive Confidence Margin（自適應閾值）根據訓練規律動態調整閾值，充分利用所有的無標籤資料。

網路結構

具體的訓練步驟如下：
初始基本設定：

設定初始閾值，本文中，對於每個類別，閾值初始值為0.8。
本模型借鑑Mean Teacher的思想，引入老師模型（ema_model）。
訓練時有標籤和無標籤資料按1：1的比例輸入網路
模型backbone採用resent18，輸出最後一層類別概率分佈以及倒數第二層512維特徵向量。

學生網路：
對於有標籤資料：
有標籤圖片經過弱資料增強（WA）後進入模型，輸出結果和真值對比，利用交叉熵函式作為損失函式，計算有標籤損失\(L^s_{CE}\)。

對於無標籤資料：
無標籤圖片複製三份（a圖, b圖, c圖），其中兩份（a圖，b圖）經過弱資料增強（WA）後輸入模型，再將輸出的兩個概率分佈平均後得到最終的概率分佈。記所得概率分佈中的最大概率為\(f_{max}\)，對應類別記作\(c\)。如果\(f_{max}\)大於此類別\(c\)對應閾值，則將\(c\)作為此類別的真實標籤，並將此類資料歸為子集I(含“真實標籤”)；否則，將此類資料歸為子集II（無真實標籤）。
如果此圖片屬於子集I，則將c圖經過強資料增強（SA）後送入網路，和標籤\(c\)計算交叉熵損失\(L^u\)。

若此圖片屬於子集II，則\(L^u=0\)。並拼接a圖，b圖輸入模型後得到的兩個512特徵向量，首先根據公式8 計算兩個特徵向量的相似度，再根據公式9計算SupConLoss \(L^c\) (具體計算方法見論文Supervised Contrastive Learning)。

總損失函式為:

實驗中\(\lambda_1 = 0.5,\lambda_2=1,\lambda_3=0.1\)。

老師網路
學生模型根據損失函式更新模型引數後，老師網路在學生網路的基礎上使用指數平均移動的方式更新引數。之後，將有標籤資料輸入老師網路，得到概率分佈。
對於一個batch的資料，記最大概率對應標籤類別和真實類別相同的圖片為集合\(N_{st}\),記\(N^c_{st}\)為最大概率對應標籤類別和真實類別相同，且真實類別為\(c\)的圖片張數，記\(s_i\)為最大概率, \(\hat{y_i}\)為預測類別，按照以下公式計算一個類別的平均最大概率，記為\(T_c\)。

之後，考慮到置信值會隨著epoch數逐步提高，再根據以下公式計算當前epoch各個類別的閾值。