人机协作快速土地覆盖制图
我们提出了一种高效的弱监督框架 Paraformer(即 L2HNet V2),用于通过低分辨率的历史地表覆盖数据指导大规模高分辨率土地覆盖图绘制。Paraformer 采用平行的 CNN-Transformer 特征提取器,同时捕捉局部和全局上下文信息,并采用伪标签辅助训练模块对弱监督情景下的高分辨率图像进行语义分割。实验证明 Paraformer 在 LR 历史标签的自动更新高分辨率土地覆盖图方面优于其他最先进的方法。
Mar, 2024
提出了一种名为 SegLand 的广义少样本分割框架,用于在高分辨率土地覆盖映射中更新新颖类别,实验表明该框架在有限标记数据下自动更新新颖土地覆盖类别方面具有优越性。
Apr, 2024
本文旨在通过为二分类任务提供人机学习界面,使人类注释者能够利用反事实例来补充标准的二分类标签,以缓解人类注释者适应传统标签所施加的限制。
Mar, 2024
借助大语言模型,本文着眼于通过少量标注样本来显著提高模型准确性,从而通过持续的人类反馈循环改进人工智能模型的准确度、回归率和精确度。通过在金融短语库、银行、Craigslist、Trec 和亚马逊评论数据集上的基准测试,证明了即使只有少量标注样本,我们也能超过零样本大语言模型的准确性,提供更好的文本分类性能,而无需手动标记数百万行数据。
Jan, 2024
通过使用自然语言交互减少人工标记工作量,本研究提出了一个新框架,用于快速定义概念并自动标记训练数据点,从而替代传统的手动分类方法。在 15 个主观概念和 2 个公共图像分类数据集上进行测试,我们的训练模型在敏捷建模以及 ALIGN、CLIP、CuPL 等最新的零样本分类模型以及大型视觉问答模型(如 PaLI-X)之上表现出色。
Mar, 2024
探究人类比较对传统监督微调过程的改善条件,提出一种连接机器学习和人类反馈的两阶段框架,并利用概率二分法通过学习低维表示和使用人类比较来改善模型对齐,进而减少样本复杂度,实验证明该框架在降噪数据和高维模型中的优势。
Mar, 2024