May, 2018

标签细化：通过标签进展提升 ImageNet 分类效果

PDF
TL;DR本文研究标签的一些属性对于监督学习算法的挑战，介绍了 Label Refinery，这是一个迭代的过程，可以在检查整个数据集后更新基本事实标签。作者发现，使用精炼标签可以提高各种模型的准确性，如 AlexNet、MobileNet 和 VGG19 等。
supervised learninglabelslabel refinerymachine learning algorithmsaccuracy
发现论文，激发创造
  • 粗到细语义分割的标签优化网络

    本文提出了一种基于深度卷积神经网络的语义图像分割方法，使用标签精炼网络在多个分辨率上粗到精地预测分割标签，并在网络的多个阶段定义了损失函数以提供不同的监督信号。实验结果表明该模型可以有效地进行像素级密集标注。

    Mar, 2017

  • 通过迭代优化实现递增式图像标记

    提出了一种基于知识表示（KR）的方法来指导数据标注的过程，并通过迭代优化技术，将对象组织在分类层次结构中，以保证它们与它们的语言描述保持一致，从而间接地引入了 ML 模型的预期语义。初步结果验证了所提出方法的有效性。

    Apr, 2023

  • 深度结构化预测用于像素级标注中的检测、替换和精炼

    我们提出了一种泛化的体系结构，将标签改进任务分解为检测、替换和精炼三个步骤，利用深度神经网络来精确地解决像素级图像标记问题，最终在 KITTI 2015 测试中显示出世界领先水平。

    Dec, 2016

  • 数据中心机器学习的重新标记方法

    本文介绍了一种简单的方法，通过使用模型的预测结果，找到并重新标记噪声数据，以解决部分手动标记数据质量不高的问题，并在多项深度学习任务中取得 90 分以上的成绩。实验结果和人类评价结果验证了该方法的有效性。

    Feb, 2023

  • RefineNet: 通过分层 Transformer 和渐进细化提高高分辨率和细节准确性的文本到图像转换

    我们介绍了 RefineNet，这是一种新颖的架构，旨在解决文本到图像转换系统中分辨率限制的问题。我们探讨了从文本描述生成高分辨率图像的挑战，重点关注详细准确性和计算效率之间的权衡。RefineNet 利用层次化 Transformer 结合渐进和条件改进技术，在生成详细、高质量图像方面优于现有模型。通过对多样数据集进行广泛实验，我们展示了 RefineNet 在清晰度和分辨率上的优势，特别适用于复杂图像类别如动物、植物和人脸。我们的工作不仅推动了图像到文本转换领域的发展，还为各种应用中高保真图像生成开辟了新的途径。

    Dec, 2023

  • ImageNet 任务是否已完成？

    通过重新标注 ImageNet 数据集的验证集，本文发现现有的 ImageNet 分类器的性能提升要小于之前的报道，同时发现原始 ImageNet 标签不再是独立收集集的最佳预测变量，预示其在评估视觉模型方面的用途可能即将结束，但是本文采用的注释程序大大弥补了原始标签中的错误，为未来视觉识别研究提供了重要的基准。

    Jun, 2020

  • 卷积神经网络图像分类的诀窍

    本文探讨了图像分类模型训练过程中的一些改进方法，如数据增强和优化方法的变化，通过实验证明这些改进方法的整合能够显著提高 CNN 模型的准确性，在 ImageNet 上，我们将 ResNet-50 的 top-1 验证准确率从 75.3% 提高到 79.29%，而且还证明了这种提高对于其他应用领域，如目标检测和语义分割，也具有更好的迁移学习性能。

    Dec, 2018

  • 重新标记 ImageNet：从单标签到多标签，从全局标签到本地标签

    本文中，我们重新给 ImageNet 数据集打上多标签，并显示了使用有限多标签进行训练的图像分类模型的性能提升。

    Jan, 2021

  • 利用背景知識優化神經網絡預測

    本文介绍了一种基于逻辑背景知识和可微化的改进函数的学习方法，以提高神经网络在训练和测试中的预测准确性，其中涉及迭代局部细化算法及应用于 MNIST 加法任务的结果。

    Jun, 2022

  • 使用标签关系学习结构化推断神经网络

    本文提出一种基于标签图和深度学习的结构化模型，采用新型的堆叠式标签预测神经网络，并利用不同概念层次的标签关系来提高图像分类性能，在基准图像数据集上验证了该方法的有效性。

    Nov, 2015