非监督语义聚合与可变形模板匹配的半监督学习

Oct, 2020

非监督语义聚合与可变形模板匹配的半监督学习

Unsupervised Semantic Aggregation and Deformable Template Matching for Semi-Supervised Learning

Tao Han, Junyu Gao, Yuan Yuan, Qi Wang

TL;DR本文提出了一个结合半监督学习和无监督语义聚合的框架（USADTM），旨在提高少标记数据的分类性能并减少数据标注成本。在无标签数据中，通过 Triplet Mutual Information（T-MI）损失生成语义标签，并通过有标记数据的监督来对齐语义标签。通过不断更新记忆库，为无标记数据分配代理标签并用于交叉熵最小化的目标。在四个半监督学习测试基准中广泛实验和分析证实 USADTM 实现了最佳性能（例如，在 CIFAR-10 上使用 40 个标签的情况下为 90.46％的准确度，在使用 250 个标签的情况下为 95.20％的准确度）

Abstract

unlabeled data learning has attracted considerable attention recently. However, it is still elusive to extract the expected high-level semantic feature with mere unsupervised learning. In the meantime, semi-supervised learning (SSL) demonstrates a promising future in leveraging few sam

unlabeled data learning semantic aggregation deformable template matching semi-supervised learning t-mi loss

发现论文，激发创造

面向体积医学图像分割的通用半监督框架

通过提出聚合和解耦框架，本文旨在开发一种通用的半监督学习框架，以解决三个不同背景下的问题：分布不变特征的捕获能力弱以及在训练过程中未标记数据被标记数据所压倒引起的过拟合问题。所提出的框架在四个基准数据集的评估中表现出显著的改进，证明其在更具挑战性的半监督学习场景中的潜力。

Oct, 2023

DualMatch：具有双层交互的鲁棒半监督学习

提出了一种名为 DualMatch 的新型半监督学习方法，其中类别预测以双层交互方式调用特征嵌入，通过一致的正则化确保不同的增强视图受到一致的类别预测约束，并确保同一类别的不同数据具有类似的特征嵌入，实验证明了 DualMatch 的有效性。

Oct, 2023

基于双层领域混合的半监督领域适应用于语义分割

该研究提出一种基于双层域混合的半监督领域自适应框架，结合数据混合方法和知识蒸馏，通过给定少量标记的数据和大量标记的源数据来减少域间差异，并在自我训练中生成伪标签。实验证明该框架在合成到实际语义分割基准中表现出有效性。

Mar, 2021

医学图像的形状感知半监督三维语义分割

本研究提出新型的半监督学习策略来提高医学图像分割的形状估计性能，该方法采用多任务深度网络来同时预测语义分割和物体表面有符号距离图，并通过敌对损失来有效地捕捉形态感知特征.

Jul, 2020

AuxMix：半监督学习与无限制未标记数据

本研究提出了一种叫做 AuxMix 的算法，该算法利用自监督学习任务来学习通用特征，以掩盖那些不同于标记集的语义上不相似的辅助数据，并正则化学习通过预测熵最大化来处理不同数据的不确定性，结果显示该算法相比现有的基线在 ResNet-50 模型上训练 CIFAR10 数据集时提高了 5％。

Jun, 2022

基于分类置信度的三维半监督学习

本研究提出了基于类别置信度的三维半监督学习方法，在动态阈值策略和重新采样策略的帮助下，成功地解决了三维不平衡数据状态下监督学习的问题，并在分类和检测任务中得到了显著提高。

Oct, 2022

半监督模型是强大的无监督域自适应学习器

研究发现，自适应领域不受监督学习（UDA）和半监督学习（SSL）虽然看似不同，但其任务目标和解决方案十分相似。基于这个发现，通过在 UDA 基准测试上适应八种 SSL 算法，发现 SSL 方法具有较强的 UDA 学习能力，在 DomainNet 挑战性 UDA 基准测试上，SSL 方法显着优于现有的 UDA 方法，并且可以通过 SSL 技术进一步增强现有 UDA 方法的性能。因此，未来 UDA 研究中应将 SSL 方法作为基线应用，并期望揭示的 UDA 和 SSL 之间的关系能够给未来 UDA 发展带来启示。

Jun, 2021

基于半监督开放集的三维点云理解学习

本研究提出了一种基于样本加权的半监督 3D 点云学习方法，通过双层优化框架估计权重并引入三种正则化技术，提高了模型的稳定性和准确性。实验结果表明该方法在 3D 点云分类和分割任务中具有有效性和可行性。

May, 2022

通过不确定性量化来辅助半监督学习

本文提出了一种基于不确定性感知的新型无监督目标函数，结合最近 SSL 技术，在保证计算效率的同时，在基准数据集中表现优于或与现有最先进技术水平相当，尤其在复杂数据集如 CIFAR-100 和 Mini-ImageNet 上表现最好。

Jul, 2022

InterLUDE：标记数据与未标记数据之间的交互以增强半监督学习

本研究提出了一种新的半监督学习方法 InterLUDE，通过嵌入融合和一种新的损失函数（基于一致性正则化原则），在标记和未标记数据之间实现相互作用，以提高 SSL 图像分类的性能。实验结果表明，InterLUDE 在标准闭集 SSL 基准测试和医学 SSL 任务中表现出明显的优势。在只有 40 个标签的 STL-10 数据集上，InterLUDE 的错误率为 3.2％，而最佳先前方法的错误率为 14.9％。

Mar, 2024