ترجمه فارسی مقاله بررسی شبه برچسب گذاری برای بینایی کامپیوتر

چکیده

Deep neural models have achieved state of the art performance on a wide range of problems in computer science, especially in computer vision. However, deep neural networks often require large datasets of labeled samples to generalize effectively, and an important area of active research is semi-supervised learning, which attempts to instead utilize large quantities of (easily acquired) unlabeled samples. One family of methods in this space is pseudo-labeling, a class of algorithms that use model outputs to assign labels to unlabeled samples which are then used as labeled samples during training. Such assigned labels, called pseudo-labels, are most commonly associated with the field of semi-supervised learning. In this work we explore a broader interpretation of pseudo-labels within both self-supervised and unsupervised methods. By drawing the connection between these areas we identify new directions when advancements in one area would likely benefit others, such as curriculum learning and self-supervised regularization.

چکیده به فارسی (ترجمه ماشینی)

مدلهای عصبی عمیق در طیف گسترده ای از مشکلات در علوم کامپیوتر ، به ویژه در دید رایانه ، عملکرد هنری را به دست آورده اند.با این حال ، شبکه های عصبی عمیق غالباً برای تعمیم مؤثر به مجموعه داده های بزرگی از نمونه های دارای برچسب نیاز دارند ، و یک منطقه مهم از تحقیقات فعال ، یادگیری نیمه تحت نظارت است ، که تلاش می کند به جای آن از مقادیر زیادی از نمونه های بدون برچسب استفاده کند.یکی از خانواده های روش در این فضا ، شبه برچسب زدن است ، کلاس از الگوریتم هایی که از خروجی های مدل برای اختصاص برچسب ها به نمونه های بدون برچسب استفاده می کنند که سپس در طول آموزش به عنوان نمونه های برچسب خورده استفاده می شوند.چنین برچسب های اختصاصی ، به نام شبه برچسب ، بیشتر با زمینه یادگیری نیمه تحت نظارت همراه هستند.در این کار ، ما تفسیر گسترده تری از برچسب های شبه در هر دو روش خود نظارت و بدون نظارت را بررسی می کنیم.با ترسیم ارتباط بین این مناطق ، ما مسیرهای جدیدی را شناسایی می کنیم که پیشرفت در یک منطقه به احتمال زیاد به دیگران سود می برد ، مانند یادگیری برنامه درسی و منظم سازی خود نظارت.