Milking CowMask für semi-supervised Bildklassifikation

Konsistenz-Regularisierung ist eine Technik für semi-supervised Learning, die einer Reihe starker Ergebnisse bei der Klassifikation mit wenigen gelabelten Daten zugrunde liegt. Sie funktioniert, indem sie ein gelerntes Modell dazu anregt, robust gegenüber Störungen auf unlabeled Daten zu sein. In dieser Arbeit präsentieren wir eine neuartige, maskenbasierte Augmentationsmethode namens CowMask. Durch die Verwendung von CowMask zur Erzeugung von Störungen für die semi-supervised Konsistenz-Regularisierung erreichen wir auf ImageNet mit nur 10 % gelabelten Daten ein state-of-the-art Ergebnis, mit einem Top-5-Fehler von 8,76 % und einem Top-1-Fehler von 26,06 %. Zudem erreichen wir dies mit einer Methode, die wesentlich einfacher ist als viele Alternativen. Wir untersuchen zudem das Verhalten von CowMask im Kontext semi-supervised Learning durch zahlreiche kleinere Experimente auf den Datensätzen SVHN, CIFAR-10 und CIFAR-100, wo wir Ergebnisse erzielen, die mit dem Stand der Technik konkurrieren, was darauf hindeutet, dass CowMask allgemein anwendbar ist. Den Quellcode stellen wir öffentlich unter https://github.com/google-research/google-research/tree/master/milking_cowmask zur Verfügung.