FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence, NIPS, 2020

---

要点：

1、首先，基于 “弱增强的未标记样本的模型预测” 生成伪标签；接着，对于给定的样本，只有模型预测的置信度高时，伪标签才会被再训练；最后，通过输入同一样本的强增强版本进行伪标签预测的训练；
2、SSL方法：为未标记图像生成一个人工标签，并将未标记图像作为输入训练模型来预测人工标签；
（1）伪标签：即self-training，使用模型生成的类预测作为人工标签；
（2）一致性正则化：随机修改输入或模型的函数后，利用模型的预测分布获得一个人工标签；
主流方法：两个方向上加上日益复杂的机制
3、本文的方法：一致性正则化+伪标记
（1）人工标签基于弱增强的未标记样本产生，并进一步作为将同一样本的强增强版本做输入时的 target；
（2）弱增强：翻转、移位
（3）强增强：Cutout、CTAugment、RandAugment，产生给定图像的严重扭曲版本
（4）伪标记：仅当模型预测出某个高置信度的类别时才保留人工标签
主要创新点：一致性正则化和伪标记的结合，并且在执行一致性正则化的时候，使用单独的弱增强和强增强

---

相关工作

一致性正则化：

1、基于“输入同一图像的扰动版本，模型应输出相似的预测”这一假设，利用未标记样本；
2、模型基于以下的损失函数，联合标准的监督分类损失和未标记数据进行训练；

伪标记：

1、基本思想：利用模型本身为未标记数据打上伪标记的人工标签；
2、使用硬标签(the argmax of the model's output)作为伪标记的人工标签；
3、再训练最大类别概率大于预定阈值的人工标签；

图表：

FixMatch的流程图：

1、将弱增强图像输入model获得预测；
2、预测概率高于阈值，预测转化为one-hot的伪标签；
3、将强增强图像输入model获得预测；
4、模型训练目标：强增强版本通过交叉熵损失match伪标签。

代码：

https://github.com/google-research/fixmatch