基于主动半监督深度学习的归纳一致性预测算法及其应用

摘要

在图像分类中,图像标签的获取是昂贵的和费时的.为了减少标注成本,提出了一种主动半监督深度学习的归纳一致性预测算法(ICP-ASSDL),该算法使用一种新颖的奇异值度量来产生可靠的置信度.ICP-ASSDL用4个标准(信息质量、边缘抽样、多样性和面向类别度量)从未标记池中选取实例来提高分类性能.面向类别度量采用蒙德里安一致性预测算法来减弱非平衡问题的影响.最后通过4个图像数据集(MNIST、Fashion-MNIST、SVHN和CIFAR10)进行了实验,实验结果表明,相对于其他方法,本文所提出的方法在只有少量标签样本的情况下,可以获得更高的分类精度.