论文：https://arxiv.org/abs/2001.07685
代码：https://github.com/google-research/fixmatch
1. 论文题目与摘要
FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence
摘要：半监督学习有效的利用没有标注的数据，从而提高模型的精度。这篇论文，我们将有效的结合两种常见的半监督学习方法：一致性正规化技术和伪标签技术。我们的算法叫做FixMatch，首先把没有标签的图片进行轻微的数据增强，用模型对怎强后的图片进行预测，从而生成为标签。对于每张没有标签的图片，当模型的预测得分高于一定的阈值时，伪标签才起作用。模型预测伪标签的同时，将同样的图片进行强烈的数据增强送入网络，计算损失。虽然方法看起来简单，但是FixMatch在从多的半监督学习方法中达到了最好的效果。仅用了250张标注数据，在CIFAR-10数据集上达到了94.93%的准确率；仅用了40张标注数据，在CIFAR-10数据集上达到了88.61%的准确率（每个类别只取了4张标注数据）；因为作者做了很多消融实验，说明不同因素对半监督学习效果的影响，最终FixMatch这种半监督学习方法获得成功。我们的代码已经开源：https://github.com/google-research/fixmatch.
2. 算法主要流程
首先，图片进行轻微的数据增强，然后输入网络进行预测，生成独热编码的为标签。然后，把同样的图片进行强烈的数据增强，得到预测特征。如果轻微数据增强的预测得分大于一定的阈值，那么生成的为标签就和强烈数据增强的特征计算交叉熵损失。整个过程如上图所示：
3. 实现细节
从整体来看，FixMatch算法是两种半监督学习算法的简单结合，即一致性正则化技术和伪标签技术。
FixMatch的损失函数有两部分组成：有标签的图片用有监督的损失Ls，没有标签的图片用无监督的损失Lu， 两个损失都是标准的交叉熵损失。
首先，看看有监督的损失函数，标准的交叉熵损失函数：
再看看对于没有标签图片的处理：首先得到伪标签，如果伪标签的得分大于一定的阈值（τ，论文中的阈值取0.95），那么，就用该伪标签和强烈数据增强获得的特征计算交叉熵损失：
最后，FixMatch的损失函数为：Ls + λ * Lu， 其中λ是一个超参数，用来平衡两个损失函数的，论文中λ=1。
论文中超参数的设置如下：
其中：μ为无标签图片和有标签图片的比例。
模型训练的伪代码如下图所示：
当然，作者还做了很多消融实验，例如：调节学习率、选择优化器等等。作者的工作量还是挺大的，但创新点就那么多。
4. 总结
作者提出了一种简单的半监督学习算法：FixMatch，该半监督学习算法在多个数据集上达到了最先进的的结果。FixMatch搭建了low-label semi-supervised learning 和 few-shot learning的联系，甚至聚类算法。作者每一类仅用一张有标签图片，就获得了很高的准确率。对于有标签和无标签的图片，由于Fixmatch用标准的交叉熵损失函数，所以Fixmatch训练工程仅用几行代码就可以完成。
以上是博主对论文的理解，如需讨论，请留言！