FixMatch

FixMatch combine deux mécanismes populaires de l’apprentissage semi‑supervisé : la génération de pseudo‑étiquettes et la régularisation par consistance. Pour chaque image non labelisée, le modèle prédit une étiquette à partir d’une version faiblement augmentée (par exemple, une simple translation). Si la confiance dépasse un seuil, cette étiquette devient le pseudo‑label. Le modèle est ensuite tenu de produire la même étiquette pour une version fortement augmentée (par exemple, CutOut ou RandAugment). La perte combine la cross‑entropy sur les données labelisées et la cohérence entre les deux prédictions. FixMatch a démontré des performances état‑de‑l’art avec très peu de données labelisées.