Self-training with Noisy Student

Self-training with Noisy Student improves ImageNet classification

该篇论文作者之一 Quoc Le 11.13 日在 twitter 上说到，
【图 1】

想要提高模型的精度和鲁棒性，尝试考虑使用无标注数据！他们在无标数据数据上使用自学习机制将 ImageNet Top-1 的识别结果调高到 87.4%，这比之前最先进最牛逼的模型提高了约 1%，在 Image-A/C/P 较难的基准数据集上较之前结果有质的突破。

实际在普通的 ImageNet 数据集上，近年来的模型不断在刷新 Top-1 识别率，幅度不高，趋近于饱和，但是该模型在一些鲁棒性测试数据集上的提高确实惊人的。

1、数据集简介

Image-A/C/P 是三种不同的鲁棒性测试数据集。

Image-A¹: A 是 Adversarial，对抗的意思。从真实世界搜集了 7500 张未经修改、完全自然生成的图片作为对抗样本测试常规 ImageNet 下训练的模型鲁棒性，以 DenseNet-121 为例，其测试准确率仅为 2%，准确率下降了约 90%，由此可知该数据集的难度。
【图 2】

其中红色的是标签是 ResNet-50 模型给出的，黑色的标签是实际真实标签，而且以很高的信任度识别错误，要注意虽然这些样本是对抗样本，但都是来自真实世界未加对抗调整的自然图片。

Image-C/P²：C 是 Corruption 腐蚀、污染的意思，即在图片中引入 75 种不同的噪音形式，测试模型的抗击能力。
【图 3】

这里给出 15 种不同类型的算法干扰，如引入噪声，模糊处理，模仿天气因素干扰以及基于色彩空间数字化干扰等；P 是 Perturbations 扰动的意思，它与 C 差不多，但是会在一个连续的时间步内连续对一个干净的原始图像做处理，且每一次处理都是微小的扰动，比如平移像素点，旋转，缩放以及 C 中使用的干扰模糊等扰动。

2、性能

【图 4】

上图在 P 数据集上主要是尺度缩放和旋转，该模型保持稳定性，而之前的模型则预测结果多次翻转，很不稳定。
【图 5】

上图是该模型与以往的 ImageNet 常规模型对比，从模型大小上看，似乎没有什么优势，毕竟现在轻量化是一个很重要的趋势，识别精度上提高了一个百分点。因此，这篇论文的主要看点在于鲁棒性测试以及噪音自学习机制的证明。

3、模型策略

【图 6】

方法真的超级 Easy：

对于一些有标签数据集 { ( x 1 , y 1 ) , ( x 2 , y 2 ) , ⋯ , ( x n , y n ) } \{(x_1, y_1), (x_2, y_2), \cdots, (x_n, y_n)\} {(x1​,y1​),(x2​,y2​),⋯,(xn​,yn​)} 和一些无标注数据集 { x ~ 1 , x ~ 2 , ⋯ x ~ m } \{\tilde x_1, \tilde x_2,\cdots \tilde x_m\} {x~1​,x~2​,⋯x~m​}

第一步：在有标签数据集上训练一个模型，称为 teacher，模型的参数为 $\theta$，模型使用交叉熵损失：

$$\frac{1}{n}\sum _{i=1}^{n}l(y_i,f(x_i,\theta ))$$

这里论文给出的是 $f^{noised}$ 是不准确的，在训练 teacher 模型中仅仅是基于有标签数据集训练的，没有引入噪声，噪声的引入只发生在训练 student 模型阶段

第二步：利用第一步得到的模型 $f$ 在未标注数据集上进行标签预测，预测最后一层 softmax 给出的是概率分布，我们称为软标签，因为它只给出每个类别的信任度而非指定为具体某个类别，而硬标签就是 one-hot 形式的 max 后的结果便签，实验证明软标签更好一些。

$$\tilde{y}=f({\tilde{x}}_i,\theta ),{\forall }_i=1,\dots m$$

你不需要关心每个 $\tilde{y}$ 都被预测成什么了，ImageNet 才 1000 个类别，而随便的无标注图片类别都指不定是什么，此处我们假定 $\tilde{y}$ 就是准确的就好了，因为接下来的目的是让学生模型也要预测成这个结果。

第三步：训练一个新的模型称为 student 模型，将有标注数据集和无标注数据集（带有伪标签了现在），然后基于这个大数据集进行训练，仍然使用的是交叉熵损失，

$$\frac{1}{n}\sum _{i=1}^{n}l(y_i,f^{noised}(x_i,{\theta }^{\prime }))+\frac{1}{m}\sum _{i=1}^{m}l({\tilde{y}}_i,f^{noised}({\tilde{x}}_i,{\theta }^{\prime }))$$

第四步：将学到的 student 当做 teacher 重新对无标注数据集进行打标签，回到第二步中，迭代即可。

4、实验策略

对于标准数据集，仍使用 ImageNet 2012 基准数据集，其中未标注数据集来自于 JFT 数据集，它实际含有大约 3 亿张图片，尽管这些图片实际有真实标签，但我们此处不需要，只当做无标记图片数据集即可。为了实现无标签图片类别的平衡，作者拿在 ImageNet 上训练的 EfficientNet-B0 对 JFT 数据集打标签，并剔除了标签信任度低于 0.3 的图片，对于每个类别，挑选具有最高信任度的 13 万张图片，对于不足 13万张的类别，随机再复制一些，这样总量在 1.3 张照片的级别。

问题：

1、为什么要大于 0.3，拿 ImageNet 训练的模型在别的数据集上打标签，为什么要求伪标签信任度大于0.3？应该是让 teacher 具有标签稳定性吧，如果标签信任度过于均匀，这种照片会很难识别。

2、JFT 实际标签类别有 18291 个，此处根据结果可知是选了 1K 个类别应该？

teacher 和 student 模型架构可以相同也可以不同，但是要想使噪音学生模型学习的好，模型容量必须足够大，以拟合大量的无标注数据集，因此推荐使用 EfficientNet 家族模型。这里使用的是基准模型是 EfficentNet-B7，即第一次老师和学生模型均使用的 EfficentNet-B7，而后迭代分别训练了 L0、L1和 L2 模型，L0 在 B7 的基础上加宽加深但分辨率低，L1 在 L0 基础上进一步加宽，L2 在所有维度上拓展。

在训练阶段，作者提到 batch 大小设置为 512、1024、2048 在性能上没啥区别，对于大模型，在无标注数据集上的 batch 是有标准数据集的 3 倍，在小模型上则是一样的，最后引入了一个固定训练集-测试集分辨率差异性的技术³，首先在小分辨率图片下正常训练 350 个周期，然后基于未进行数据增强的大分辨率图片下微调训练1.5 个周期，微调阶段浅层被固定。

训练阶段被引入的噪音主要有三种：

• 随机深度：幸存概率因子为 0.8
• dropout：分类层引入 0.5 的丢弃率
• 随机增强：应用两个随机运算，其震级设置为 27

5、Other

首先这是基于 Self-training 框架训练的，主要区别在于验证了噪声的重要性，噪声的引入可以使 student 更好。另外与知识蒸馏的区别在于知识蒸馏没有考虑到无标注数据的使用，其目标也不是为了提高 student 模型的。

TODO

• mean corruption error
• mean flip rate
• 随机深度⁴
• 随机增强⁵
• FGSM 对抗攻击
• EfficientNet 家族模型