[论文翻译]使用带噪声学生模型的自训练提升ImageNet分类效果
我们提出Noisy Student Training,这是一种即使在标注数据充足时也能表现优异的半监督学习方法。该方法在ImageNet上实现了88.4%的top1准确率,比需要35亿张弱标注Instagram图片的当前最佳模型高出2.0%。在鲁棒性测试集上,它将ImageNet-A的top1准确率从61.0%提升至83.7%,将ImageNet-C的平均损坏误差从45.7降至28.3,并将ImageNet-P的平均翻转率从27.8降至12.2。