作者提出了课程标签(curriculum labeling),这是一种利用伪标签的方法,以迭代和自定进度的方式将标签传播到未标记的样本。这种方法出乎意料地简单有效,在图像分类的所有标准基准中,都超过或可与最近文献中提出的最佳方法相当。值得注意的是,作者在CIFAR-10上仅使用4,000个标签样本就获得了94.91%的准确率,在Imagenet
通过弱增广样本为强增广样本生成伪标记(pseudo-label),FixMatch就可以在Cifar10、SVHN、STL-10数据集上取得了令人耳目一新的效果。然而,细心的读者会发现,上述数据集都是类别数较少的简单数据集(都是10类),当类别数增加到100时,FixMatch这种从头开始训练(train from scratch)的自训练方法的表现就差强人意了。进一步...