半监督二维人体姿态估计中的模型坍塌问题研究（代码已开源）|ICCV 2021

文章插图

表1. COCO 数据集中半监督学习设置下的结果

文章插图

表2. COCO 数据集中使用全量标记样本，在验证集的结果

文章插图

表3. COCO 数据集中使用全量标记样本，在测试集的结果

在 COCO 数据集上，当只使用少量标签数据时（表1），本文的方法大约能提升8%-13%的平均精确率。如表2、表3所示，在使用训练集的全量数据时，本文方法仍然能够增加2%-3%的平均精确率。这些结果都验证了本文方法的有效性和实用性。此外，论文中还汇报了本文方法在领域自适应，模型预训练等任务中的应用结果，也取得了较显著的改善。

参考文献
[1] Kihyuk Sohn, David Berthelot, Chun-Liang Li, Zizhao Zhang, Nicholas Carlini, Ekin D Cubuk, Alex Kurakin, Han Zhang, and Colin Raffel. Fixmatch: Simplifying semisupervised learning with consistency and confidence. In Advances in Neural Information Processing Systems, 2020.

[2] David Berthelot, Nicholas Carlini, Ian Goodfellow, Nicolas Papernot, Avital Oliver, and Colin A Raffel. Mixmatch: A holistic approach to semi-supervised learning. In Advances in Neural Information Processing Systems, pages 5049–5059, 2019.

文章插图

雷锋网雷锋网雷锋网

【半监督二维人体姿态估计中的模型坍塌问题研究（代码已开源）|ICCV 2021 | 一致性】

半监督二维人体姿态估计中的模型坍塌问题研究（代码已开源）|ICCV 2021 | 一致性( 三 )