Feb, 2016

非监督式高层次特征学习与多模型映射集成用于半监督图像分类和图像聚类

PDF
TL;DR本文研究在有限或无注释但有大量未标记数据的情况下进行图像分类的问题，并提出了一种新方法 ——Ensemble Projection (EP)。该方法通过从所有可用数据中采样一组富有代表性的视觉原型，然后使用这些原型来训练判别分类器，最终产生新的特征向量。该方法在半监督图像分类、无限制自学习图像分类和图像聚类方面均取得了很好的效果。
发现论文，激发创造
  • 深度表示学习的无监督图像分类

    本研究提出了一种无监督图像分类框架，旨在通过不使用嵌入聚类来简化和优化深度聚类算法，并在 ImageNet 数据集上进行了实验。同时验证了其在多标签图像分类，目标检测，语义分割等任务的泛化性，以及其在迁移学习中的有效性。

    Jun, 2020

  • 半监督学习的时间集成

    本文提出了一种用于在小部分标记的情况下训练深度神经网络的简单高效方法，采用自我模拟方案的集成预测来提高标签的未知性，从而使得在两个标准半监督学习基准测试中加快速度并实现更好的性能。

    Oct, 2016

  • 鲁棒半监督分类的投影估计器

    研究使用二次代理损失函数进行分类的半监督学习方法，通过对监督估计在未标记数据施加的一组约束的投影，我们发现我们可以安全地提高用于此二次损失的监督解决方案，这是第一种具有如此强大但保守保证的方法，而不依赖于分类器的原有假设。

    Feb, 2016

  • 通过简单的集成投影器进行去偏、校准和改进的半监督学习性能

    该研究提出了一种名为 Ensemble Projectors Aided for Semi-supervised Learning (EPASS) 的简单方法，主要关注于改进学习的嵌入以提高现有对比联合训练半监督学习框架的性能。通过将多个投影仪的集合嵌入存储在内存中，EPASS 提高了泛化能力，增强了特征表示，并提升了性能。对于 ImageNet 数据集上的 SimMatch 和 CoMatch 等任务，EPASS 相对于强基线模型，仅使用 1k/1%/10% 的标记数据，将 top-1 错误率提高了 39.47%/31.39%/24.70% 和 40.24%/32.64%/25.90%，这些改进在多种方法、网络架构和数据集上都具有一致的有效性。

    Oct, 2023

  • 基于聚类的半监督零样本学习

    本文提出了一种基于深度可视特征嵌入空间的半监督零样本学习方法，通过在签名上进行线性变换以将它们映射到视觉特征上，使得已知类别的签名映射结果靠近相应类别的已标记样本，同时未标记的数据与其中一个未知类别的映射签名也很接近，该方法在四个公共基准测试中的表现证明了其有效性，其中三个的预测准确度均优于最先进方法。

    May, 2016

  • 无监督特征学习与新兴数据驱动的原型特性

    介绍了一种在双曲空间进行无监督特征学习的算法，利用距离表示图像相似性和图像原型性，有效地减少了样本复杂性，提高了模型泛化性和鲁棒性。

    Jul, 2023

  • EPL：证据原型学习用于半监督医学图像分割

    本研究提出了 Evidential Prototype Learning (EPL) 方法，利用扩展的概率框架有效融合来自不同来源的体素概率预测，并在广义证据框架下实现标记和未标记数据的样本融合利用，利用体素级双不确定性掩膜。该方法在 LA、胰腺 CT 和 TBAD 数据集上进行了实验，以三种不同标记比率实现了最先进的性能，充分证明了我们的策略的有效性。

    Apr, 2024

  • 基于聚类和对比的三维点云无监督学习

    本文提出了一种名为 ConClu 的通用无监督方法，它通过联合使用点级聚类和实例级对比来实现点和全局特征的学习。实验评估结果表明，该框架在 3D 物体分类和语义分割等下游应用方面具有很好的性能，可以胜过现有技术。

    Feb, 2022

  • 使用原型网络的半监督和主动少样本学习

    本文提出了一种基于聚类的半监督少样本分类方法，使用 Prototypical Networks 提取特征并结合 K-means 聚类算法，利用少量标记样本指导聚类过程，而用户反馈可以显著改善适应性能。通过图像数据的实验，证明了该策略的良好性能。

    Nov, 2017

  • 零样本识别的渐进式集成网络

    本研究提出了一种新型的渐进式集成网络模型，采用多个投影标签嵌入来解决零样本图像识别问题，在有标记和无标记的数据上进行训练，为未标记的类提供知识转移，通过渐进式训练框架和预测伪标签来逐步标注最自信的图像，并更新集成网络以扩展到广义零样本学习情境，实验证明提出的模型在多个零样本学习数据集上具有很好的性能。

    May, 2018