ECCVJul, 2020

FeatMatch：基于特征的半监督学习增强

PDF
TL;DR本文提出了一种创新的特征提取和扩增方法，利用聚类提取的内部和跨类别原型代表信息，生成各式各样的复杂变换，结合传统图像扩增用于一致性正则化损失，实验验证结果表明在小尺寸数据集上与当前先进技术相当，且可以扩展到更大的数据集，例如 CIFAR-100 和 mini-Imagenet 上取得重大进展，并在 DomainNet 上实现更好的鲁棒性。
发现论文，激发创造
  • 特征空间重新归一化用于半监督学习

    本文提出了一种特征空间重整化机制 (FSR) 作为半监督学习的一种代替一致性正则化方法的方法，并将其与伪标签相结合，得到了一种名为 FreMatch 的新型有效的半监督学习模型，实验证明该方法在多种标准半监督学习基准数据集上能够取得更好的性能，并且所提出的特征空间重整化机制还能增强其他半监督学习方法的性能。

    Nov, 2023

  • 观点可能是误导性的：通过特征空间增强改进的 SSL

    我们探索了虚假特征对自监督学习的影响，表明常用的数据增强方法可能导致图像空间中不想要的不变性。基于这些发现，我们提出了一种方法（LateTVG），通过修剪编码器的后续层来在预训练过程中消除虚假信息，这种方法在几个基准测试中超过了基线方法，而不需要在自监督学习中使用组或标签信息。

    May, 2024

  • 基于预训练模型的半监督学习的渐进特征调整

    建议使用伪标签从无标签数据中更新特征提取器，以解决预训练特征表示所带来的偏见，并通过实验证明该方法优于现有解决方案。

    Sep, 2023

  • 基于插值的对比学习用于少标签半监督学习

    提出了一种基于插值方法的半监督学习算法来解决使用一些标签的数据集时一致性正则化方法的性能问题，并设计了一种新型对比损失来引导学习网络嵌入样本，实现更好的边界决策能力，通过实验证明，与现有算法相比，该算法可提高分类准确率 5.3% 以上。

    Feb, 2022

  • 特征空间中的数据集增强

    该研究提出了一种基于简单转换的数据集增强方法，通过在已有数据点上进行特征空间的变换，从而促进监督和无监督学习技术在静态和序列数据上的应用。

    Feb, 2017

  • 解构自我监督学习中的数据增强和格式转换对图像表征的影响

    通过研究频域数据增强和格式转换对视觉自监督学习的影响，本文证明了通过这些方法的结合可以提高图像分类准确性，并且在少样本学习和迁移学习方面取得了改进。

    Dec, 2023

  • FLSL: 特征层面自监督学习

    本文探究了使用 Transformer 进行联合嵌入和聚类的一种方法，即两级特征聚类自监督学习（FLSL），该方法在密集预测任务中取得了显著的改进，包括目标检测和实例分割，实验表明 FLSL 方法在各项测试中始终表现优异。

    Jun, 2023

  • 通过增强单个图像进行无监督特征学习

    本文研究如何将数据增强应用于无监督特征学习，我们将各种变换应用于随机图像块，通过卷积神经网络分类学习到有用的特征表示，同时实验结果显示这一算法能在多个视觉数据集上取得较为有竞争性的分类结果。

    Dec, 2013

  • 深度神经网络的特征层级增强提高仿射变换鲁棒性

    本文提出了在中间神经网络层引入数据增强以改善卷积神经网络不适用于少量像素旋转或平移的问题，并证明该方法比已有的两种方法获得更好的精度和平均翻转比。

    Feb, 2022

  • 规模化半监督视觉 Transformer 模型

    该研究探讨了图像 Transformer（ViT）的半监督学习（SSL），提出了一种新的 SSL 流程和一种概率伪混合机制，Semi-ViT 可以实现与卷积神经网络相媲美或更好的性能，并且具有可扩展性。

    Aug, 2022