学习自合成动物
从合成动物数据集学习语义部分分割,提出了具有更广泛的姿态多样性的合成动物数据集和适应方法,通过频谱混合和类平衡方法改进了现有的领域自适应方法,在 PartImageNet 上验证了该方法的有效性,并展示了合成虎和马的学习部分在所有四足动物上的可传递性。
Nov, 2023
本文提出了一种基于多尺度领域自适应模型以及一种在线粗到细的伪标签更新策略的方法来解决动物姿势估计中标签不足的问题,并在未见过的领域和未见过的动物类别上进行了广泛测试,取得了还不错的实验效果。
Mar, 2021
通过分析合成图像的问题,本文提出了一种新的 SSL 方法 RSMatch 来解决混合真实和合成图像对 SSL 的影响问题,并通过实验证明 RSMatch 能够更好地利用未标记图像中的合成数据来提高 SSL 性能。
May, 2024
本研究探索了使用全合成或合成增强真实数据的两种方法来解决多人二维姿势估计的问题,并研究了哪种方法更好地推广到真实数据,以及虚拟人物在训练损失中的影响。通过使用增强数据集,且不考虑训练损失中的合成数据,可以得到最佳结果。该研究还使用对抗性师生框架,发现不是所有的合成样本对训练都有同样的信息量,且信息量会随着训练阶段的不同而发生变化。
Aug, 2019
本文提出一种基于伪标签的半监督学习方法,能够处理 open-world SSL 问题,并通过样本不确定性和类别分布先验知识等手段,为已知和未知类别的未标记数据生成可靠的类别分布感知型伪标签。该方法在多种常用数据集上表现良好,特别是在 CIFAR-100,ImageNet-100 和 Tiny ImageNet 数据集上的表现显著优于现有的最先进技术。
Jul, 2022
提出了一种名为 CCSSL 的半监督学习方法,采用类别聚类和图像对比改善模型的伪标签质量和在真实世界中的鲁棒性,并通过目标重新加权实现了干净标签学习和减少噪声标签学习。实验表明其在多个数据集上均取得了显著的性能提升。
Mar, 2022
本文提出了一种无需使用人工注释标签,仅仅利用丰富真实数据和易获得合成数据标签的方法,通过姿态表示有效地建立了合成和真实域之间的桥梁,以学习在真实图像上进行多人身体部位分割的方法,并显示该方法表现出与需人工标注标签的现有方法可媲美的效果。
Jul, 2019
我们提出了一种使用合成数据集来训练半监督学习模型的方法,该方法通过使用基于生成式基础模型训练的合成数据集来替代真实的未标记数据集,并证明了在极少标记数据集的情况下,合成样本比真实未标记数据更有效地提升性能。
Sep, 2023
SuperAnimal 是一种新的解决行为分析中 pose 估计问题的 plug-and-play 解决方案,使用深度学习技术自动提取关键点,无需人工标记,并可应用于超过 45 种物种。
Mar, 2022
该研究介绍了一种使用自我监督学习嵌入条件的扩散模型来生成高质量的病理学和卫星图像的方法。通过从自我监督学习表示中提取嵌入,可以生成大型图像,并通过生成变化的真实图像加强下游分类器的准确性。此方法在训练过程中表现出鲁棒性和普遍性,对于不同数据集的图像生成同样有效。
Dec, 2023