ICCVAug, 2017

自适应 SVM+：使用特权信息进行域自适应学习

PDF
TL;DR本文提出了 Adaptive SVM + 的学习范式，利用特权信息来进行视觉识别任务的域适应设置，取得了在 Animals with Attributes and INTERACT 数据集上的最新成果。
computer visionmachine learningprivileged informationvisual recognitionadaptive svm+
发现论文，激发创造
  • 学习使用特权信息：SVM + 和加权 SVM

    该研究讨论了使用先验知识通过特权信息来提高学习算法的预测性能或减少所需的训练数据的方法，其中重点介绍了 SVM+ 框架，并通过特权特征确定了加权 SVM 可以复制 SVM+ 解决方案，同时讨论了当特权特征不可用时如何选择加权 SVM 的问题。

    Jun, 2013

  • 学习转移特权信息

    在计算机视觉领域引入了一种名为 LUPI 的学习框架，利用属性、边界框或图像标记等特权信息来加快计算机对象识别速度，探索利用多义分类和二分类最大间隔技术来提高分类器在原数据空间的分类能力。同时，研究人员发现利用特权信息能够显著提高分类精度。

    Oct, 2014

  • 数据聚类的特权信息

    本文研究了 Vapnik 的主人公学习理念及其在无监督学习中使用的相关学习。通过提出的 aRi-MAX 方法，KMeans 算法的稳定性得到了改善，并在人工数据集上实现了最佳聚类解的识别。随后，提出了一种基于信息论点积的算法 P-Dot，能够利用各种聚类技巧，单独或组合使用，以融合特权数据和技术数据，以提高聚类效果。文中通过对数字识别任务的应用验证了这些方法在实际情况下的适用性。

    May, 2013

  • 利用特权信息的一类支持向量机及其在恶意软件检测中的应用

    本文提出了一种新的一类分类方法，可以在训练阶段考虑到特殊信息，并使用合成数据集和公开数据集进行性能评估。

    Sep, 2016

  • 基于特权医学成像信息的域泛化学习

    使用特权信息（如肿瘤形状或位置）来预测光学相干断层扫描中内层视网膜流体的严重程度，使深度学习模型在超出分布数据上的分类准确率从 0.911 提高到 0.934，为其他需要泛化的医学问题的特权信息使用提供了一个强有力的起点。

    Nov, 2023

  • 利用生成的特权信息进行学习：基于文本到图像的扩散模型

    将学习使用特权信息的理论扩展到文本分类领域，提出了一种通过文本 - 图像扩散模型生成人工特权信息的文本分类框架，并将生成的图像和原始文本样本用于训练多模态教师模型，最终将多模态教师的知识融合到文本（单模态）学生模型中，进而通过生成模型引导学生模型的训练，从而在四个文本分类数据集上取得显著的性能提升。

    Sep, 2023

  • 使用稳健的特权概率学习推断人类活动

    本论文提出了一种称为 LUPI-HCRF 的模型，它将 LUPI 集成到隐藏条件随机场模型中，并使用学生 t 分布来增强对离群值的建模。实验结果表明，该方法在识别人类活动方面具有较好的性能，优于现有的 LUPI 框架。

    Aug, 2017

  • 基于分层自适应结构 SVM 的领域自适应方法

    本文提出了一种基于多目标领域的自适应 SSVM（A-SSVM）的分层自适应方法，通过利用共性和差异性，提高了目标识别的准确性及精度。对行人检测和对象类别识别进行了验证，发现所提出的 HA-SSVM 相对于其他自适应策略，可以提高识别准确率，并且可以更好地发现目标数据的子域结构。

    Aug, 2014

  • 利用特权信息学习数字乳房 X 光片肿瘤分割

    使用特权信息学习技术以解决医疗数据可用性和可访问性的问题，通过在训练过程中获取特权信息知识改善数字乳腺 X 光照片上肿瘤分割的质量，实验证明该方法在大多数情况下表现更好，F1 评分比基线模型高出 10%。

    Feb, 2024

  • 使用特权信息的度量学习进行人物再识别

    本文介绍了一种基于逻辑判别度量学习算法，能够在人物视角发生大量变化的情况下实现人物重新识别，通过在训练期间利用辅助信息同时利用原始数据和辅助数据来完成度量学习，可以用于单视角和多视角任务

    Apr, 2019