科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了解决半监督学习方法训练过程中因损失函数类型不同、损失尺度不统一而导致的损失权重难以调节,模型优化方向不统一与泛化能力不足的问题,提出基于距离度量损失框架的半监督学习方法.该方法从距离度量损失的角度出发,提出统一损失框架函数,实现了半监督任务中不同损失函数之间的损失权重调节.针对损失框架中嵌入向量的目标区域问题,引入自适应相似度权重，以避免传统度量学习损失函数优化方向的冲突,提高模型的泛化性能.为了验证方法的有效性,分别采用CNN13网络和ResNet18网络，在CIFAR-10、CIFAR-100、SVHN、STL-10标准图像数据集和医疗肺炎数据集Pneumonia Chest X-ray上，构建半监督学习模型与常用半监督方法进行比较.实验结果表明,在同等标签数目的条件下,提出方法具有最优的分类准确度.
- 出版日期2023
- 单位浙江大学; 工业控制技术国家重点实验室; 浙江树人学院
