论文基本情况

发表时间及刊物/会议：2022 CVPR
发表单位：西安电子科技大学， 香港中文大学，重庆邮电大学

问题背景

在大部分半监督学习方法中，一般而言，只有部分置信度高于提前设置的阈值的无标签数据被利用。由此说明，大部分半监督方法没有充分利用已有数据进行训练。

论文创新点

设置了Adaptive Confidence Margin（自适应阈值）根据训练规律动态调整阈值，充分利用所有的无标签数据。

网络结构

具体的训练步骤如下：
初始基本设定：

1. 设置初始阈值，本文中，对于每个类别，阈值初始值为0.8。
2. 本模型借鉴Mean Teacher的思想，引入老师模型（ema_model）。
3. 训练时有标签和无标签数据按1：1的比例输入网络
4. 模型backbone采用resent18，输出最后一层类别概率分布以及倒数第二层512维特征向量。

学生网络：
对于有标签数据：
有标签图片经过弱数据增强（WA）后进入模型，输出结果和真值对比，利用交叉熵函数作为损失函数，计算有标签损失\(L^s_{CE}\)。

对于无标签数据：
无标签图片复制三份（a图, b图, c图），其中两份（a图，b图）经过弱数据增强（WA）后输入模型，再将输出的两个概率分布平均后得到最终的概率分布。记所得概率分布中的最大概率为\(f_{max}\)，对应类别记作\(c\)。如果\(f_{max}\)大于此类别\(c\)对应阈值，则将\(c\)作为此类别的真实标签，并将此类数据归为子集I(含“真实标签”)；否则，将此类数据归为子集II（无真实标签）。
如果此图片属于子集I，则将c图经过强数据增强（SA）后送入网络，和标签\(c\)计算交叉熵损失\(L^u\)。

若此图片属于子集II，则\(L^u=0\)。并拼接a图，b图输入模型后得到的两个512特征向量，首先根据公式8 计算两个特征向量的相似度，再根据公式9计算SupConLoss \(L^c\) (具体计算方法见论文Supervised Contrastive Learning)。

总损失函数为:

实验中\(\lambda_1 = 0.5,\lambda_2=1,\lambda_3=0.1\)。

老师网络
学生模型根据损失函数更新模型参数后，老师网络在学生网络的基础上使用指数平均移动的方式更新参数。之后，将有标签数据输入老师网络，得到概率分布。
对于一个batch的数据，记最大概率对应标签类别和真实类别相同的图片为集合\(N_{st}\),记\(N^c_{st}\)为最大概率对应标签类别和真实类别相同，且真实类别为\(c\)的图片张数，记\(s_i\)为最大概率, \(\hat{y_i}\)为预测类别，按照以下公式计算一个类别的平均最大概率，记为\(T_c\)。

之后，考虑到置信值会随着epoch数逐步提高，再根据以下公式计算当前epoch各个类别的阈值。

至此，一个iteration结束。

实验

表1 固定阈值和我们方法的比较，在RAF-DB， SFEW数据集上的结果，其中FT 表示使用FixMatch方法时取固定阈值的具体值，

表2 RAF-DB, SFEW 和AffectNet三个数据集上我们的方法和其他优秀的半监督方法对比

图3 自适应阈值调整方法，公式5中关于两个参数的值的消融实验

表3 使用WideResNet-28-2作为backbone在RAFDB上实验结果

图4 使用2D t-SNE 可视化方法可视化得到的特征，从图中可以看出，我们的方法对各类表情提取特征的效果最好（不同类别的特征重合度最小）。

表4 各个不同类别的数据集交叉验证结果。以下结果为在RAF-DB上训练，CK+数据集上进行测试所得结果

标签：Confidence,Towards,Semi,阈值,概率分布,标签,模型,类别,数据
来源： https://www.cnblogs.com/qiqiblogs/p/16299456.html