ECCVJul, 2020

基于师生网络的半监督通用属性预测学习

PDF
TL;DR本文提出了一种多教师 - 单学生 (MTSS) 方法，通过使用标签嵌入技术，可以学习任务特定的领域专家，并通过迫使模型模仿领域专家所学习的分布方法，学习图像表示的有效方法，从而实现了对视觉属性预测问题的半监督学习。实验结果表明，该方法不仅在时尚属性预测的各种基准测试上取得了竞争性的性能，还提高了不可见领域的鲁棒性和跨域适应性。
semi-supervised learningvisual attribute predictionmulti-teacher-single-student approachlabel embedding techniquecross-domain adaptability
发现论文，激发创造
  • 异质属性空间的半监督学习任务元学习

    我们提出了一种元学习方法，用于半监督学习，该方法通过学习具有异构属性空间的多个任务来提高带有少量标记数据的任务的预期测试性能，并使用未标记数据以及不同任务的数据，其中任务之间的属性空间是不同的。

    Nov, 2023

  • 多任务自训练用于学习通用表示

    通过利用已训练的独立专业模型的知识来训练一个单一的通用学生模型，本研究提出了一种名为多任务自我训练（MuST）的方法，此方法 3 个步骤，包括利用专业教师模型对未标记的数据进行标记以创建一个多任务虚标记数据集，然后使用该数据集对学生模型进行多任务学习，实验证明此方法可提高训练的性能。

    Aug, 2021

  • 自监督均值教师模型在半监督胸部 X 光分类中的应用

    该研究提出了基于自监督平均教师预训练和半监督微调的自我监督平均教师的半监督学习方法，应用于胸部 X 光片和皮肤病分类问题，取得较大的性能改善。

    Mar, 2021

  • 无偏半监督目标检测教师

    本文研究半监督物体检测 (SS-OD) 中的伪标签偏差问题并引入一种名为 “Unbiased Teacher” 的方法，通过对过度自信的伪标签进行分类均衡损失，共同训练一个学生和逐渐进步的老师，最终在 COCO 标准、COCO 附加和 VOC 数据集上使现有的最先进方法显著提高 6.8 绝对 mAP，当只使用 0.5、1、2％的标记数据时，相对于有监督的基线，实现了约 10 mAP 的提高。

    Feb, 2021

  • 改善半监督实例分割的 (伪) 标签

    通过引入一种双重策略来增强教师模型的训练过程，从而显著改善少样本学习，同时提出一种校准校正机制，使学生模型能够纠正教师的校准错误。实验结果在 LVIS 数据集上表现出显著的提升，平均精度（AP）提高了 2.8％，稀有类别的 AP 提高了 10.3％。

    Mar, 2024

  • 标签匹配半监督目标检测

    本篇论文从分布级别和实例级别两个不同但互补的视角提出了一个简单而有效的 LabelMatch 框架，用于解决自我训练期间存在的标签不匹配问题，并通过 Proposal Self-assignment 机制确定准确的伪标签来促进学生和教师之间的匹配。在 MS-COCO 和 PASCAL-VOC 数据集上的实验结果表明，所提出的框架明显优于其他现有方法。

    Jun, 2022

  • 一种用于半监督面部情感行为分析的多任务平均教师

    本文提出了一个半监督模型，采用平均教师框架来利用额外的无标签数据，通过多任务学习脸部情感表征，来解决现有多任务情感识别方法存在的数据不完整标注的问题，并成功在竞赛中排名第四和第六。

    Jul, 2021

  • 自动发现、关联估计和学习语义属性：千种类别

    本文提出了一种端到端的无监督属性学习方法，利用在线文本语料库自动发现与人类概念语义属性相关的显著且有区分度的词汇，并针对文本中的噪声和缺失数据，提出了一个深度卷积模型来优化课程 - 属性关联。 实验证明，该方法能够有效地在大规模数据集上发现和学习语义属性，并且在 ImageNet、Animals 较 Attributes 和 aPascal/aYahoo 三个数据集上优于现有技术的零样本学习效果。

    Apr, 2017

  • 无知学生：基于鉴别性潜变量嵌入的学生 - 教师异常检测

    使用学生 - 老师框架，通过深度学习方法实现无监督异常检测和像素级别的异常分割，并在多个实验数据集上展示了显著的改进效果。

    Nov, 2019

  • 深度安全半监督学习下的多样化师生对应策略

    半监督学习能够通过利用未标记的数据显著提高模型性能，然而，现实世界的未标记数据往往包含看不见类别的样本，这可能阻碍对已知类别的分类。为解决这个问题，我们引入了一个名为 Diverse Teacher-Students (DTS) 的新型框架，该框架利用双师生模型分别有效处理这两个任务，通过训练两个师生模型使用所有未标记样本，DTS 能够提高已知类别的分类性能，同时改善看不见类别的检测。

    May, 2024