通过标签梯度对齐的半监督学习

Feb, 2019

Semi-Supervised Learning by Label Gradient Alignment

Jacob Jackson, John Schulman

TL;DR我们提出了标签梯度对齐算法，它是一种半监督学习算法，用于为未标记的数据进行标记，然后用这些标记进行训练，将梯度模型转换成了一个具有语义意义的距离度量，通过梯度下降求解来对标记进行半监督学习，在半监督 CIFAR-10 分类中实现了最先进的准确性。

Abstract

We present label gradient alignment, a novel algorithm for semi-supervised learning which imputes labels for the unlabeled data and trains on the imputed labels. We define a semantically meaningful distance metric on the input space by mapping a point (x, y) to the gradient of the mode

semi-supervised learning label imputation distance metric optimization cifar-10 classification

发现论文，激发创造

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

端到端弱监督语义对齐

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

一种半匹配的标签到图像翻译方法

本文提出了第一个半监督（半配对）的框架，用于标签到图像的翻译，使用输入重构任务并利用条件鉴别器来作为反向生成器，证明了所提出模型在标准基准测试中优于现有的无监督和半监督方法，同时使用更少的配对样本。

Jun, 2023

GuidedMix-Net：使用标记图像作为参考的半监督语义分割

利用标记信息指导非标记示例的学习，通过三个操作进行语义分割的半监督学习，包括相似标记 - 非标记图像对的插值，互信息的转移以及伪面具的泛化。在 PASCAL VOC 2012 和城市景观上的大规模实验中，与先前的方法相比，GuidedMix-Net 取得了竞争性分割准确性，并显着提高了平均交集联合（mIoU）比先前的方法高 7％。

Dec, 2021

对抗式特征分布对齐在半监督学习中的应用

本文提出一种新的特征分布对齐方法，用于在只有少量标记样本时避免过度拟合，已在 CIFAR10 和 SVHN 数据集上进行了测试，结果表明在 SVHN 数据集上取得了接近完全监督模型的测试错误率，并提供了关于特征分布对齐发生的理论洞察，并证明了我们的方法可以减少它。

Dec, 2019

半监督医学图像分割与协同分布对齐

本文提出了一种基于 Co-Distribution Alignment (Co-DA) 的半监督医学图像分割方法，通过对无标签数据和有标签数据的边际预测进行类别对齐，并设计了过度期望交叉熵损失来减少伪标签中的噪声，实验结果表明该方法在多个公共数据集上优于现有半监督医学图像分割方法。

Jul, 2023

ALIGNet: 无监督学习下局部形状无关的对齐

本文提出一种基于深度神经网络的形状对齐方法，利用形状数据集学习形状感知的先验，以解决传统方法在缺失重要形状部分时失效的问题，并通过各向异性全变分正则化对 ALIGNet 进行约束，从而使其适用于不完整的目标形状。我们展示了 ALIGNet 学习了形状集合的通用期望特征，能够在测试时产生合理的形变。

Apr, 2018

半监督点云语义分割的引导点对比学习

本文介绍了一种半监督点云语义分割方法，使用伪标签指导其损失函数，并提出了一种基于对比损失的方法来增强特征表示和模型的泛化能力。实验证明，该方法在三个数据集上都可以有效地提高预测质量。

Oct, 2021

GuidedMix-Net：使用标记的图像作为参考学习改进伪掩码

本文提出了一种基于混合数据的指导式半监督分割方法 GuidedMix-Net，并利用标记数据指导未标记数据的学习，该方法采用特征对齐和互信息传输的方法进行特征融合，同时提出伪标签生成模块用于生成高质量伪标签，联合训练标记数据和伪标签，实验验证了该方法在各种数据集中取得了具有竞争力的分割精度和显着改进的 mIoU。

Jun, 2021

在线半监督对比学习用于通用连续学习

该研究提出了一种适用于部分标记数据的对比损失函数 SemiCon，并通过利用无标签数据流训练的基于记忆的方法来证明了其有效性。在 Split-CIFAR10 和 Split-CIFAR100 数据集上，与现有的半监督方法相比，我们的方法在可用很少的标签时效果更佳，只使用了 2.6％的标签和 10％的标签，就可以获得与最新的监督方法相似的结果。

Jul, 2022