CVPRNov, 2020

PLAD: 学习使用伪标签和近似分布推断形状程序

PDF
TL;DR本研究提出了一种基于最大似然估计和伪标签或近似分布的培训策略 PLAD，用于训练模型进行程序推断，达到更准确，更简单的结果。
program inferenceself-trainingshape programsapproximate distributionmaximum likelihood
发现论文，激发创造
  • 学习推断和执行三维形状程序

    该研究提出了一种基于自下而上的识别系统和结构符号化程序的 3D 形状程序，通过自监督方式对 3D 形状程序进行学习，具有在不同领域中高精度的 3D 形状重建能力，结合图像到 3D 形状模块，能够实现从 RGB 图像直接推断出 3D 形状程序并重建出更加准确和真实的 3D 形状。

    Jan, 2019

  • 使用可微渲染器学习推断 3D 形状程序

    本研究提出了一种更符合人类感知理解与合理推理的可分析且可微分的执行器，用以辅助 3D 形状图程序的生成，并在无人知道真实程序的情况下达到更高的样本效率。初步实验表明，该研究为构建能够学习和推理人类认知知识的机器提供了有益的探索。

    Jun, 2022

  • 基于自训练的领域自适应的双阶段伪标签密集化

    本研究提出了一种 Two-phase Pseudo Label Densification （TPLD）框架来解决自我训练中的次优模型问题，该框架在处理有序标签方面取得了显着改善，并与现有的 CRST 自我训练框架相结合，在标准的 UDA 基准测试上实现了最新的技术成果。

    Dec, 2020

  • PlankAssembly：基于三个正交视图和学习形状程序的鲁棒三维重构

    该论文介绍了一种新的方法，可以自动将来自三个正交视图的 2D 线条图转换为 3D CAD 模型。该方法利用基于 Transformer 的序列生成模型中的注意机制，学习输入到输出之间的灵活映射，通过设计适用于生成感兴趣对象的形状程序来提高重建精度并促进 CAD 建模应用。在一个新的基准数据集上的实验证明，当输入有噪声或不完整时，我们的方法明显优于现有方法。

    Aug, 2023

  • 自我引导下的部分标签学习

    本文提出了一种新的方法，采用自我训练的方式来处理部分标签数据，其中采用了基于最大无穷范数的伪标签技术来自动实现基准标签的分类，并通过使用简单的二次规划方法进行拟合优化。通过在自制和真实世界数据集上的测试，证明了所提出的方法比现有的部分标签学习方法更加有效。

    Feb, 2019

  • 基于实例依赖的部分标签学习

    本文提出了一种基于标签增强的偏标签学习方法，该方法针对实例相关性的标签进行了建模，并将标签分布作为标签增强过程的核心信息，以较高的精度训练了预测模型。

    Oct, 2021

  • ShapeAssembly: 学习生成三维形状结构合成程序

    本文提出了一种面向领域的 3D 形状结构的组装语言 ShapeAssembly， 并训练一个层次顺序 VAE，以从现有形状结构中提取 ShapeAssembly 程序，从而生成可解释和可编辑的 3D 形状。

    Sep, 2020

  • 基于深度摊销推断的概率编程

    该论文提出了一种在概率编程语言中实现摊余推理的方法，摊余通过参数化的指南程序实现，并且可以包括神经网络组件以更好地进行采样，支持全局模型学习。

    Oct, 2016

  • 一种基准生成式概率模型用于弱监督学习

    本研究提出了基于生成模型的自动标注方法，通过弱监督学习去减轻手动标注的负担，取得了比现有方法更好的性能表现，提高了机器学习项目的生产效率。

    Mar, 2023

  • 近似贝叶斯最优伪标签选择

    本文介绍了一个拟会泛化误差的具有 Bayesian 框架的 pseudo-label 选择方法 (BPLS)，其使用解析近似来选择标签实例，并通过针对高维数据的实证评估来表明其优于传统的 PLS 方法。

    Feb, 2023