
APPROUVÉ. Le diagramme illustre un cadre d'apprentissage semi-supervisé à double branche conçu pour des données réalistes à longue traîne en vision par ordinateur. Le cadre comprend deux flux de données : Données étiquetées (Longue Traîne) et Données non étiquetées (Distribution inconnue). Les deux flux sont traités par un extracteur de caractéristiques partagé (Réseau Dorsal). Après l'extraction des caractéristiques, celles-ci divergent en deux branches parallèles : un Prédicteur Biaisé, qui génère des pseudo-étiquettes pour les données non étiquetées et est adaptatif à la distribution des données non étiquetées, et un Prédicteur Équilibré, entraîné pour encourager des frontières de décision équilibrées et utilisé pour l'inférence finale. Un module de Suppression de la Diffusion de Caractéristiques Guidée par l'État d'Apprentissage est positionné entre le réseau dorsal et les deux prédicteurs, connecté à l'espace des caractéristiques. Ce module supprime l'expansion des caractéristiques pour les classes bien apprises tout en préservant l'exploration pour les classes sous-apprises.
Figure 1 : Schéma d'architecture globale du modèle Invite :...