An Adversarial Regularisation for Semi-Supervised Training of Structured Output Neural Networks

Mateusz Kozí Nski 1 Loïc Simon 1 Frédéric Jurie 1
1 Equipe Image - Laboratoire GREYC - UMR6072
GREYC - Groupe de Recherche en Informatique, Image, Automatique et Instrumentation de Caen
Abstract : We propose a method for semi-supervised training of structured-output neural networks. Inspired by the framework of Generative Adversarial Networks (GAN), we train a discriminator to capture the notion of a 'quality' of network output. To this end, we leverage the qualitative difference between outputs obtained on labelled training data and unannotated data. The discriminator serves as a source of error signal for unlabelled data. Initial experiments in image segmentation demonstrate that including unlabelled data with the proposed loss function into the training procedure enables attaining the same network performance as in a fully supervised scenario, while using two times less annotations.
Type de document :
Communication dans un congrès
NIPS2017, Dec 2017, Long Beach, United States
Liste complète des métadonnées

Littérature citée [22 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/hal-01713323
Contributeur : Frederic Jurie <>
Soumis le : mardi 20 février 2018 - 14:25:55
Dernière modification le : jeudi 7 février 2019 - 17:36:31
Document(s) archivé(s) le : lundi 21 mai 2018 - 12:52:02

Fichier

adversarial-regularisation-nip...
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01713323, version 1

Citation

Mateusz Kozí Nski, Loïc Simon, Frédéric Jurie. An Adversarial Regularisation for Semi-Supervised Training of Structured Output Neural Networks. NIPS2017, Dec 2017, Long Beach, United States. 〈hal-01713323〉

Partager

Métriques

Consultations de la notice

178

Téléchargements de fichiers

135