AAAIOct, 2020

神经图一致的多任务场景理解半监督学习

PDF
TL;DR本研究提出了一种基于图神经网络的半监督学习方法，通过多次无监督的一致性优化，利用集成学习策略在多个视觉场景解释中实现多任务同时学习的高精度预测表现。
semi-supervised learninggraph neural networkensemble learningconsensus optimizationmulti-task learning
发现论文，激发创造
  • 自我监督的超图用于学习多个世界解释

    使用多任务超图的关系，通过一种利用标记小集合学习多个场景表示的方法，同时也展示了如何在不使用任何额外标记数据的情况下利用超图来改进强大的预训练 VisTransformer 模型。

    Aug, 2023

  • 一致图的多视图图学习

    基于共识正则化的多视图图形学习方法，通过学习共识图表征视图的共同结构，优于现有方法，并应用于推断多个受试者的功能性脑连接网络。

    Jan, 2024

  • 从 3D 室内重建学习 3D 语义场景图

    本文提出了一种基于场景图的三维场景理解方法，它将场景中的实体组织成图形式，运用基于 PointNet 和 Graph Convolutional Networks（GCN）的学习方法实现了场景图的回归，并且引入了一个新的数据集 3DSSG 来支持该方法的应用和评估。

    Apr, 2020

  • 利用地球观测数据进行半监督学习的多任务超图

    通过引入强大的多任务超图模型，利用复杂的依赖关系，构建每个节点作为一个任务、超图中到达给定任务的不同路径成为无监督教师的多任务超图，并能够适应渐变的数据分布转变，可靠地补充缺失的地球观测数据，从而实现对多任务的半监督学习的改进。

    Aug, 2023

  • SelfGraphVQA：基于自监督图神经网络的基于场景的问题回答

    通过使用预训练场景图生成器从图像中提取场景图，并应用语义保持增强和自监督技术，我们引入了 SelfGraphVQA 框架，改进了图表示在视觉问答任务中的利用，从而避免昂贵和潜在有偏的注释数据，并通过图像增强创建提取图的多个视图，通过优化它们表示中的信息内容来学习联合嵌入。我们实验并证明了提取的场景图对于视觉问答非常有效，并且通过强调视觉信息的重要性来提升整体性能，为依赖场景图进行复杂推理问题的视觉问答任务提供了更实用的解决方案。

    Oct, 2023

  • 走向全面的场景理解：语义分割与更多

    本论文介绍了视觉场景理解的各方面研究，特别是通过使用语义分割网络在不同数据集上进行训练来提高分割性能和泛化性以及训练效率，以及通过多种方法来实现弱监督学习和部分感知全景分割等新任务，为实现全面、丰富、可持续的视觉场景理解铺平了道路。

    Jan, 2022

  • 多自监督辅助任务的基于图的神经网络模型

    该论文提出了三个新的自监督辅助任务，以多任务的方式训练基于图的神经网络模型，使用图卷积网络作为构建块，在标准半监督图分类任务上实现了有竞争力的结果。

    Nov, 2020

  • 多视图子图神经网络：稀缺标记数据的自监督学习

    利用子图构建长距离依赖关系来改善低数据环境下节点分类的性能，并提出了一种名为 Muse 的自监督学习框架，通过联合捕获局部结构和长距离依赖关系，提高了图中节点的表示表达能力。

    Apr, 2024

  • 半监督通用图分类

    本文提出一种新型的图神经网络框架 UGNN，用于半监督图分类，在有限标注数据和大量未标注数据的情况下，利用子图的视角来充分利用未标注数据，并且通过使用 Sinkhorn-Knopp 算法来学习已知和未知类别的语义原型，并在不同的子图视图下进行大量实验，证明了 UGNN 在不同设定下的有效性。

    May, 2023

  • SCENE: 使用异构图神经网络推理交通场景

    本文提出了 SCENE 方法，通过使用异构图神经网络编码交通场景，利用层级图卷积和任务特定解码器进行推理和预测。结果表明，该方法在节点分类任务上表现优异，并具有较强的泛化性。

    Jan, 2023