标签

 半监督 

相关的文章:

探索半监督学习在分类学习、指代表达分割、语义分割和目标检测等领域的最新研究进展与应用。

半监督目标检测:从 CNN 到 Transformer 的进展综述

原文约300字,阅读约需1分钟。发表于:

本文综述了半监督学习在目标检测任务中的 27 种最新发展,从卷积神经网络到 Transformer,探讨了半监督学习的核心组件及其与目标检测框架的集成,包括数据增强技术、伪标签策略、一致性正则化和对抗训练方法,并对各种 SSOD 模型进行了详细的比较分析,评估其性能和架构差异。旨在引发对克服现有挑战和探索半监督学习在目标检测中新方向的研究兴趣。

本文综述了半监督学习在目标检测任务中的最新发展,包括核心组件、数据增强技术、伪标签策略、一致性正则化和对抗训练方法。对各种SSOD模型进行了比较分析,旨在引发对半监督学习在目标检测中新方向的研究兴趣。

相关推荐 去reddit讨论

自适应伪标签学习用于半监督时序动作定位

原文约200字,阅读约需1分钟。发表于:

通过自适应伪标签学习方法、自适应标签质量评估、实例级一致性鉴别器等技术,本研究提出了一种改进的半监督时序动作定位框架,用于解决半监督时序动作定位中的伪标签问题,实验结果表明,该方法在不同的半监督环境下取得了最优表现。

该文章介绍了一种用于点级别监督时序动作定位的新方法,通过生成和评估具有灵活时长的动作提案来定位动作。该方法利用聚类算法生成密集伪标签,提供更强的监督,并利用精细的对比损失进一步提高伪标签的质量。实验证明该方法在多个基准数据集上达到了与最先进方法相媲美甚至更好的性能。

相关推荐 去reddit讨论

CorMulT: 一种用于情感分析的半监督多模态变换器

原文约200字,阅读约需1分钟。发表于:

我们提出了一种两阶段的半监督模型,名为 Correlation-aware Multimodal Transformer (CorMulT),通过模态相关性对比学习模块和预测阶段的模态表示融合,以提高多模态情感分析的性能。在 CMU-MOSEI 多模态数据集上进行的实验表明,CorMulT 明显优于现有的多模态情感分析方法。

该研究提出了一种新颖的知识传递网络,用于在不同的感知模式之间进行翻译以重构缺失的音频模式,并采用了跨模态注意机制以保留最大信息。实验证明,该方法在情感预测方面取得了显著改进,并与之前方法相当。

相关推荐 去reddit讨论

ItTakesTwo:借助点云的对等表示进行半监督 LiDAR 语义分割

原文约300字,阅读约需1分钟。发表于:

该研究提出了一种名为 ItTakesTwo(IT2)的半监督 LiDAR 语义分割框架,通过确保对等 LiDAR 表示的一致预测,提高了一致性学习中的扰动效果,并且利用从整个训练集中学习到的正负嵌入样本分布进行对比学习,公开数据集的结果显示,我们的方法在该领域取得了显著改进。

该研究提出了一种名为ItTakesTwo(IT2)的半监督LiDAR语义分割框架,通过提高一致性学习中的扰动效果和对比学习,取得了显著改进。

相关推荐 去reddit讨论

多线索一致性学习:在半监督检测中弥合普通和定向物体之间的差距

原文约300字,阅读约需1分钟。发表于:

通过 Multi-clue Consistency Learning (MCL) 框架,我们在半监督定向目标检测任务中,解决了普通场景和半监督学习中的定向目标检测之间的三个差距:采样不一致性、分配不一致性和置信度不一致性。我们的实验结果表明,MCL 能在 DOTA-v1.5 和 DOTA-v1.0 基准测试中取得最先进的性能。

本文提出了一种基于置信度的伪标签方法,用于半监督目标检测。该方法可以更好地估计伪标签的质量,并调整产生的阈值和权重,提高性能。实验结果表明,在有限标注的情况下,该方法能显著提高性能。

相关推荐 去reddit讨论

有条件的半监督数据增强对于低资源数据的垃圾短信检测

发表于:

该论文提出了一种利用条件半监督数据增强 (CSSDA) 的垃圾邮件检测模型,通过特征提取和增强生成网络利用未标记数据进行数据扩充,在实验阶段,CSSDA 是唯一能够在大量标记数据可用的情况下获得约 85% 平衡准确率的稳健模型。

相关推荐 去reddit讨论

HCS-TNAS: 混合约束驱动的半监督 Transformer-NAS 用于超声图像分割

发表于:

通过提出一种新颖的神经架构搜索方法 HCS-TNAS,该方法自动设计网络,以解决超声图像分割的多尺度特征理解和数据依赖性的问题,通过融合多层次搜索和半监督学习方法,HCS-TNAS 有效改善了分割准确度,超过了最先进的方法。

相关推荐 去reddit讨论

ACTRESS:半监督视觉定位的主动重新训练

原文约200字,阅读约需1分钟。发表于:

本研究提出了 ACTive REtraining 方法,用于解决稀有标注数据和多模型理解需求的半监督视觉定位问题,通过引入量化检测头和选择性重训练策略,使用辅助标签和无标签数据达到了在广泛使用的基准数据集上卓越的表现。

该研究提出了一种新的方法来从图像中定位目标对象,通过引入迭代的鲁棒视觉定位框架和多阶段假警敏感解码器,以提高准确性和可靠性。实验结果显示该方法在常规和鲁棒视觉定位数据集上表现良好。

相关推荐 去reddit讨论

基于半监督分割和光流的通用铁路障碍物检测系统

原文约200字,阅读约需1分钟。发表于:

利用光流线索指导的半监督分割方法解决铁路场景中多类障碍物检测问题,通过生成逼真的合成图像并利用光流作为先验知识来有效训练模型,实验证明了该方法的可行性和效果。

本文研究了卷积神经网络在无监督学习下学习光流预测的能力,并提出了一种新的模型来显式模拟遮挡问题。通过新颖的变换方式,该方法能更好地学习大运动。在Flying Chairs,MPI-Sintel和KITTI标准数据集上的测试结果表明,无监督方法在KITTI数据集上的效果优于有监督方法,尤其在该数据集上,我们的方法表现出色。

相关推荐 去reddit讨论

半监督概念瓶颈模型

原文约300字,阅读约需1分钟。发表于:

我们提出了一个名为 SSCBM 的新框架,通过在标记和未标记数据上进行联合训练,并在概念层面对未标记数据进行对齐,解决了现有 CBMs 训练中的限制。实验证明我们的 SSCBM 既有效又高效,在仅有 20% 标记数据的情况下,实现了 93.19%(在完全监督设置下为 96.39%)的概念准确性和 75.51%(在完全监督设置下为 79.82%)的预测准确性。

我们提出了一个名为SSCBM的新框架,通过在标记和未标记数据上进行联合训练,并在概念层面对未标记数据进行对齐,解决了现有CBMs训练中的限制。实验证明我们的SSCBM既有效又高效,在仅有20%标记数据的情况下,实现了93.19%的概念准确性和75.51%的预测准确性。

相关推荐 去reddit讨论