AAAINov, 2018

面向以人为中心感知的分布式鲁棒半监督学习

PDF
TL;DR提出一种针对分布偏移数据应用在半监督学习的通用分布鲁棒模型，考虑标记数据和未标记数据的不一致和一致性，学习减少个体差异和保留任务特定一致性的潜在特征，并在实际数据集上对意图识别、活动识别、肌肉运动识别和手势识别等多种人类中心识别任务进行评估，结果表明该模型优于现有方法。
发现论文，激发创造
  • 遥感数据的去偏学习

    我们提出了一种针对遥感数据的高效半监督学习方法，通过适应 FixMatch 框架以及消除训练数据中的偏差，使用已标记数据的 30% 在遥感数据集上相较于基准监督学习方法提供了 7.1% 的准确度提升，以及相较于监督学习的最新方法 CDS 提供了 2.1% 的准确度提升。

    Dec, 2023

  • 基于统计特征引导扩散模型的无监督传感器人体活动识别

    本文提出了一种基于非监督统计特征引导扩散模型的传感器数据的人类活动识别方法，通过利用统计信息来生成多样化和代表性的合成传感器数据。研究结果表明，所提出的方法可以提高人类活动识别的性能并胜过现有技术。

    May, 2023

  • 半监督卷积神经网络用于人类活动识别

    本文介绍两种基于卷积神经网络的半监督学习方法，用于加强原有的分类器对未标记的数据的识别，通过实验，表明我们的 CNN 在活动识别领域中的性能优于有监督学习方法和传统的半监督学习方法，Fm 得分甚至可以提高 18%。

    Jan, 2018

  • HUNTER：通过从合成实例向真实场景传递知识实现无监督的人体中心化三维检测

    基于合成人体实例向真实场景中的无监督 3D 检测方法，通过弥合合成模型和真实点云之间的数据表示和特征分布差异，实现了在人体中心场景中优于当前最先进技术的表现，达到了显著的 87.8％mAP 改进并接近全监督方法的性能（62.15 mAP vs. 69.02 mAP）在 HuCenLife 上。

    Mar, 2024

  • 针对分布偏移的图像分类半监督深度学习综述

    本篇文章研究了半监督深度学习的最新方法，重点是针对标记和未标记数据集之间分布差异的情况设计的半监督深度学习模型，致力于解决传统深度学习流水线在实际使用环境下对数据的高需求，并希望鼓励社区应对该方面的挑战。

    Mar, 2022

  • 用于无监督分布偏移检测的自组织聚类系统

    本文提出了一种持续学习框架，用于监测和检测数据分布的变化，通过自组织聚类和潜空间的统计方面探索这个问题，方法可以应用于有监督和无监督的环境中，并且通过比较高斯信号构建数据分布变化的评估，具有快速和稳健的特点，通过与其他无监督技术的比较实验证明了方法的潜力。

    Apr, 2024

  • 跨模态分布匹配的半监督多模态情感识别

    提出了一种基于跨模态分布匹配的半监督多模态情感识别模型，该模型利用丰富的未标记数据增强模型训练，实验结果表明该模型能够有效地结合多模态并利用未标记数据提高情感识别性能，并在同等条件下优于其他最先进的方法。

    Sep, 2020

  • 通过增强分布对齐的半监督学习

    本文提出了一种简单而有效的半监督学习方法，称为增强分布对齐，以解决有限标记样本导致的采样偏差问题，并介绍了一些实现策略（比如采用对抗式训练、插值策略等），同时在 SVHN 和 CIFAR10 数据集上进行了验证。

    May, 2019

  • 探索半监督面部表情识别的边界：学习来自分布内、分布外和无约束数据

    本文详细研究了 11 种最新的半监督学习方法，并在不同数据环境（如 in-distribution 和 unconstrained）下，通过五个人脸表情识别的数据集，对这些方法进行评估。结果表明 ReMixMatch 算法在大多数的数据情况下表现更好，而半监督学习可以在有限的标注数据下明显提升数据预测性能。

    Jun, 2023

  • 人体活动检测的多任务自监督学习

    本文提出了一种基于自监督技术的特征学习方法，应用于无形标签的传感器数据。该方法可以应用于人类活动识别等领域，可以通过转化识别任务提供监督信号提取有价值的特征，并在智能手机环境下的无人监督、半监督和迁移学习的情况下实现了与完全监督网络相当甚至更好的性能。该技术可被广泛应用于其他领域。

    Jul, 2019