半监督基于对比学习框架的参考引导素描提取
发表于：。我们提出了一种半监督的多模态素描提取方法，能够通过非配对数据训练来模仿给定参考素描的风格，并在定量和定性评估中优于最先进的素描提取方法和非配对图像翻译方法。
标签
半监督
相关的文章：探索半监督学习在工业、医学和计算机视觉领域的最新研究进展与应用，包括深度潜变量模型、牙齿分割、目标检测和伪标签加权等方法。
STS MICCAI 2023 挑战赛：基于半监督的二维和三维牙齿分割大挑战
原文约200字，阅读约需1分钟。发表于：。通过 STS MICCAI 2023 挑战赛，本研究总结了在半监督牙齿分割算法研究领域中，排名前列的团队采用的多种方法。
牙位表示在治疗中非常重要。预训练的SAM和3D-U-SAM网络解决了样本稀缺问题，并提高了细节保留能力。消融实验和对比实验证明了该方法的有效性。
工业过程中半监督多单元软测量的深度潜变量模型
原文约300字，阅读约需1分钟。发表于：。通过结合半监督学习和多任务学习的方法，利用深度潜在变量模型实现了多单元软传感问题的优秀结果，即使没有标记数据，未标记数据也能提高软传感性能。
我们提出了一个深度生成时间序列的方法，利用潜在的时间过程来对复杂疾病轨迹进行建模和分析。通过结合生成方法与医学知识，我们展示了学习到的时间潜在过程可用于数据分析和临床假设测试，包括发现相似患者和对疾病进行新的子类型聚类。此外，我们的方法能够进行个性化在线监测和多变量时间序列的预测，包括不确定性量化。我们在建模系统性硬化病过程中展示了我们方法的有效性，展示了我们机器学习模型捕捉复杂疾病轨迹和获取新医学知识的潜力。
通过高激活特征索引相似性和目标检测对伪标签进行加权用于半监督分割
原文约300字，阅读约需1分钟。发表于：。借助伪标签，我们提出了一种可靠地从伪标签中学习的方法，通过对象检测器和语义分割模型统一预测，确定可靠的伪标签像素，对伪标记像素分配不同的学习权重来避免噪音训练信号。
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。该方法能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，该方法在有限标注情况下能提高性能。
半监督生成模型用于疾病轨迹研究：以系统性硬化为例
原文约400字，阅读约需1分钟。发表于：。使用深度生成方法和潜在时间进程来对复杂疾病轨迹建模和综合分析，特别关注系统性硬化（SSc），通过混合生成方法和医学定义发现新的疾病特征，并能用于数据分析、临床假设测试、患者聚类和个性化在线监测与预测。
基于医学影像的个性化医学利用神经随机微分方程预测疾病进展和治疗效果。实验结果表明该模型准确预测多发性硬化症患者的残疾发展和治疗效果，并发现临床试验中未达终点的患者亚组。
ProSub：基于子空间的概率开放式半监督学习与外部分布检测
原文约300字，阅读约需1分钟。发表于：。在开放集半监督学习中，我们使用角度来确定数据的内部分布和外部分布，从而实现使用角度进行数据分类和估计的新方法，我们的方法在多个基准问题上达到了 SOTA 性能。
该论文研究了一种通过投影高维特征到特征子空间来实现模式分类检测的方法。该方法通过修改网络层减小对输出特征分布的影响，扩大了不同数据特征之间的差距，并在多个基准数据集上展示了最先进的性能。
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。
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。
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。
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。
