文件名称：FeatMatch:本文的PyTorch代码
文件大小：138.5MB
文件格式：ZIP
更新时间：2024-06-11 23:26:50
pytorch semi-supervised-learning image-classification augmentation Python
FeatMatch：半监督学习的基于功能的增强 这是我们论文的PyTorch实现： FeatMatch：基于特征的增强半监督学习，，， 2020年欧洲计算机视觉会议（ECCV） [ ] [] 抽象的 最近的最新半监督学习（SSL）方法结合使用基于图像的转换和一致性正则化作为核心组件。 但是，这些方法仅限于简单的转换，例如传统的数据增强或两个图像的凸组合。 在本文中，我们提出了一种新颖的基于学习特征的细化和增强方法，该方法可以生成各种复杂的变换。 重要的是，这些转换还使用了我们通过聚类提取的类内和类间原型表示形式的信息。 通过将迭代中已经计算出的特征存储在内存库中，我们无需使用大量额外的计算。 这些转换与传统的基于图像的增强相结合，然后被用作基于一致性的正则化损失的一部分。 我们证明，对于较小的数据集（CIFAR-10和SVHN），我们的方法可与当前技术水平相提并论，同时能够扩展到更大
【文件预览】：
FeatMatch-main
----config()
--------mini-imagenet()
--------cifar100()
--------cifar10()
--------domainnet()
--------cifar10_zca.npz(69.03MB)
--------svhn()
--------cifar100_zca.npz(69.03MB)
----train()
--------featmatch.py(16KB)
--------__init__.py(0B)
--------trainer.py(11KB)
--------ssltrainer.py(5KB)
----loss()
--------common.py(2KB)
--------__init__.py(62B)
----model()
--------sslnet.py(3KB)
--------wide_resnet.py(5KB)
--------__init__.py(28B)
--------model.py(3KB)
--------backbone.py(1KB)
----LICENSE(3KB)
----dataset()
--------.gitkeep(0B)
----resource()
--------aug.png(296KB)
--------qual.png(139KB)
----requirements.txt(107B)
----.gitignore(68B)
----dataloader()
--------base_loader.py(4KB)
--------cifar.py(3KB)
--------mini_imagenet.py(4KB)
--------__init__.py(547B)
--------domainnet.py(8KB)
--------svhn.py(1KB)
----README.md(8KB)
----util()
--------reporter.py(2KB)
--------metric.py(2KB)
--------misc.py(327B)
--------__init__.py(0B)
--------random_augment.py(8KB)
--------scheduler.py(2KB)
--------command_interface.py(2KB)
--------data.py(6KB)