论文简介

• 论文名称：SimMatch: Semi-supervised Learning with Similarity Matching
• 作者：Mingkai Zheng，悉尼大学
• 论文链接：https://arxiv.org/abs/2203.06915
• 论文来源：CVPR 2022

这篇论文是对半监督学习一致性正则的改进，充分考虑样本的语义特征和实例特征，以提高伪标签的质量。

论文的草图如下：

FC的层向量可视为每个类别的语义表示/类中心。但当标记样本数量少的时候，语义级别的信息不一定可靠。作者在SimMatch框架中同时考虑实例级和语义级的信息，并采用一个标记的内存缓冲区来充分利用实例级的真实标签。

半监督相关工作

关于一致性正则

• MixMatch采用的对多个强增强视图锐化后的平均预测来作为伪标签，利用MixUp来进一步增强伪标签。
• ReMixMatch通过生成具有弱增广视图的伪标签来改进MixMatch，并且引入了分布对齐策略，鼓励伪标签分布匹配真实标签的边缘分布。
• FixMatch简化了上面的想法，只有当一个模型产生一个高置信度的伪标签而定时候，未标记的图像才会被保留。