半监督语义匹配
本文提出了一种基于卷积神经网络和不同 iable soft inlier scoring 模块的语义对齐方法,该方法无需繁琐的手工标注就能实现对不同但具有语义相关性的图像进行参数学习,并从几何上一致的对应关系计算对齐质量,达到了基于多个标准基准的语义对齐的最先进表现。
Dec, 2017
本研究介绍了一种半监督框架,通过一个辅助模型和一个自我纠正模块,在只有一小部分完全有监督图像的基础上,使用具有目标边界框标签的图像和只有目标边界框标签的图像集(称为弱集),训练出高质量的语义分割模型,这种方法比传统大量完全有监督数据模型要求的标注工作量减少~7 倍。
Nov, 2018
本文提出了一种卷积神经网络的方法来处理物体相同实例之间的对应关系问题,定义了一个新的基于循环一致性的损失函数来解决 2D 点集的注册问题,并在 Proposal-Flow(PF-PASCAL)数据集上进行了训练和测试,取得了最先进的结果。
Jan, 2019
本文提出了 SCNet,一种基于卷积神经网络的语义对应的几何合理模型,利用区域提议实现匹配原语,并明确将几何一致性纳入其损失函数中,该方法在多项基准测试中均表现优异。
May, 2017
该论文提出了一种半监督方法来适应经过标记的图像数据训练的 CNN 图像识别模型到目标域,利用 CNN 学到的语义证据和视频数据的内在结构进行视频语义对象分割,显式地建模并补偿从源域到目标域的领域转移,并展示了我们的方法在具有挑战性的数据集上相对于现有方法的卓越性能。
Jun, 2016
本文介绍了一种使用大量未标记数据进行无监督学习的方法,通过使用数十万个未标记的 web 视频作为数据集,设计了一个具有排名损失函数的 Siamese-Triplet 网络,用于深度卷积神经网络的无监督学习,可在不使用 ImageNet 的情况下,获得 52% 的 mAP 的性能,并展示了此非监督网络在其它任务中表现出竞争性。
May, 2015
本文提出了一种基于卷积神经网络(CNN)的半监督学习方法:VideoSSL,用于视频分类,可以在只使用少量标注样本以及利用无标注数据的两种信号指导下,在 UCF101、HMDB51 和 Kinetics 三个公开数据集上实现出色的性能。
Feb, 2020
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