摘要
近年来，半监督学习（Semi-Supervised Learning, SSL）方法主要集中在多分类任务上。这类任务在数据增强过程中可轻松混合类别标签，但这一策略难以直接推广至结构化输出任务，例如图像字幕生成中的词序列输出。Noisy Student Training 是一种近期提出的用于图像分类的半监督学习范式，可视为自训练（self-training）与教师-学生学习（teacher-student learning）的扩展。在本研究中，我们对 Noisy Student SSL 框架在图像字幕任务中的应用进行了深入分析，并取得了当前最优的实验结果。原始算法依赖于计算成本较高的数据增强步骤，包括对原始图像进行扰动，并为每张扰动后的图像重新计算特征。我们发现，即使不使用原始图像的增强，仅通过对学生模型的输入图像施加简单的模型扰动和特征扰动，也能显著提升半监督学习的训练效果。此外，我们进一步展示了如何有效利用释义生成器（paraphrase generator）进行标签增强，从而提升伪标签的质量，显著改善模型性能。在标注数据极度有限的设定下（仅使用 MS-COCO 数据集中 1% 的标注数据），我们的最终结果在 BLEU4 指标上优于先前最优方法 2.5 分，在 CIDEr 指标上提升达 11.5 分，展现出显著的性能优势。