团队模型、论文、博文、直播合集，点击此处浏览

一、论文&代码

论文链接：Dash: Semi-Supervised Learningwith DynamicThreolding

开源代码：https://github.com/idstcv/Dash

技术应用：https://modelscope.cn/models/damo/cv_manual_face-liveness_flrgb/summary

二、背景

本文介绍我们被机器学习顶级国际会议ICML 2021接收的long talk (top 3.02%) 论文 “Dash: Semi-Supervised Learning with Dynamic Thresholding”。论文创新性地提出用动态阈值（dynamic threshold）的方式筛选无标签样本进行半监督学习（semi-supervisedlearning，SSL）的方法，我们改造了半监督学习的训练框架，在训练过程中对无标签样本的选择策略进行了改进，通过动态变化的阈值来选择更有效的无标签样本进行训练。Dash是一个通用策略，可以轻松与现有的半监督学习方法集成。实验方面，我们在CIFAR-10,CIFAR-100, STL-10和SVHN等标准数据集上充分验证了其有效性。理论方面，论文从非凸优化的角度证明了Dash算法的收敛性质。

2.1 监督学习（SupervisedLearning）

我们知道模型训练的目的其实是学习一个预测函数，在数学上，这可以刻画成一个学习从数据()到标注()的映射函数。监督学习就是一种最常用的模型训练方法，其效果的提升依赖于大量的且进行了很好标注的训练数据，也就是所谓的大量带标签数据()。但是标注数据往往需要大量的人力物力等等，因此效果提升的同时也会带来成本过高的问题。在实际应用中经常遇到的情况是有少量标注数据和大量未标注数据，由此引出的半监督学习也越来越引起科学工作者的注意。

2.2 半监督学习（Semi-SupervisedLearning）

半监督学习同时对少量标注数据和大量未标注数据进行学习, 其目的是借助无标签数据来提高模型的精度。比如self-training就是一种很常见的半监督学习方法，其具体流程是对于标注数据学习数据从到的映射，同时利用学习得到的模型对未标注数据预测出一个伪标签，通过对伪标签数据进一步进行监督学习来帮助模型进行更好的收敛和精度提高。

2.3 核心问题

现有的半监督学习框架对无标签数据的利用大致可以分为两种，一是全部参与训练，二是用一个固定的阈值卡出置信度较高的样本进行训练(比如FixMatch)。由于半监督学习对未标注数据的利用依赖于当前模型预测的伪标签，所以伪标签的正确与否会给模型的训练带来较大的影响，好的预测结果有助于模型的收敛和对新的模式的学习，差的预测结果则会干扰模型的训练。所以我们认为：不是所有的无标签样本都是必须的！

三、方法

3.1 Fixmatch训练框架

在引出我们的方法Dash之前，我们介绍一下Google提出的FixMatch算法，一种利用固定阈值选择无标签样本的半监督学习方法。FixMatch训练框架是之前的SOTA解决方案。整个学习框架的重点可以归纳为以下几点：

1、对于无标签数据经过弱数据增强（水平翻转、偏移等）得到的样本通过当前的模型得到预测值

2、对于无标签数据经过强数据增强（RA or CTA）得到的样本通过当前的模型得到预测值

3、把具有高置信度的弱数据增强的结果，通过one hot的方式形成伪标签，然后用和经过强数据增强得到的预测值进行模型的训练。

fixmatch的优点是用弱增强数据进行伪标签的预测，增加了伪标签预测的准确性，并在训练过程中用固定的阈值0.95（对应loss为0.0513) 选取高置信度（阈值大于等于0.95，也就是loss小于等于0.0513）的预测样本生成伪标签，进一步稳定了训练过程。

3.2 Dash训练框架

针对全部选择伪标签和用固定阈值选择伪标签的问题，我们创新性地提出用动态阈值来进行样本筛选的策略。即动态阈值是随t衰减的

式中是有标签数据在第一个epoch之后loss的平均值，我们选择那些的无标签样本参与梯度回传。下图展示了不同值下的阈值的变化曲线。可以看到参数控制了阈值曲线的下降速率。的变化曲线类似于模拟训练模型时损失函数下降的趋势。

下图对比了训练过程中的FixMath和Dash选择的正确样本数和错误样本数随训练进行的变化情况（使用的数据集是cifar100）。从图中可以很清楚地看到，对比FixMatch，Dash可以选取更多正确label的样本，同时选择更少的错误label的样本，从而最终有助于提高训练模型的精度。

我们的算法可以总结为如下Algorithm 1。Dash是一个通用策略，可以轻松与现有的半监督学习方法集成。为了方便，在本文的实验中我们主要将Dash与FixMatch集成。

更多理论证明详见论文。

四、结果

我们在半监督学习常用数据集：CIFAR-10，CIFAR-100，STL-10和SVHN上进行了算法的验证。结果分别如下：

可以看到我们的方法在多个实验设置上都取得了比SOTA更好的结果，其中需要说明的是针对CIFAR-100 400label的实验，ReMixMatch用了data align的额外trick取得了更好的结果，在Dash中加入data align的trick之后可以取得43.31%的错误率，低于ReMixMatch 44.28%的错误率。

五、应用

实际面向任务域的模型研发过程中，该半监督Dash框架经常会被应用到。接下来给大家介绍下我们研发的各个域上的开源免费模型，欢迎大家体验、下载（大部分手机端即可体验）：

https://modelscope.cn/models/damo/cv_resnet50_face-detection_retinaface/summary

https://modelscope.cn/models/damo/cv_resnet101_face-detection_cvpr22papermogface/summary

https://modelscope.cn/models/damo/cv_manual_face-detection_tinymog/summary

https://modelscope.cn/models/damo/cv_manual_face-detection_ulfd/summary

https://modelscope.cn/models/damo/cv_manual_face-detection_mtcnn/summary

https://modelscope.cn/models/damo/cv_resnet_face-recognition_facemask/summary

https://modelscope.cn/models/damo/cv_ir50_face-recognition_arcface/summary

https://modelscope.cn/models/damo/cv_manual_face-liveness_flir/summary

https://modelscope.cn/models/damo/cv_manual_face-liveness_flrgb/summary

https://modelscope.cn/models/damo/cv_manual_facial-landmark-confidence_flcm/summary

https://modelscope.cn/models/damo/cv_vgg19_facial-expression-recognition_fer/summary

https://modelscope.cn/models/damo/cv_resnet34_face-attribute-recognition_fairface/summary