IJCAIMay, 2021

基于图一致性的均值教学方法用于无监督领域自适应人员再识别

PDF
TL;DR本文提出了基于图一致性的平均教学（GCMT）方法，用于解决师生网络之间选择样本对的对比学习过程中的问题，并综合不同教师网络的相似性关系来有效优化学生网络的表示学习。 在三个数据集上的实验证明，相对于现有方法，GCMT 在多教师和学生网络中均表现出更好的性能提升。
mean-teachingunsupervised domain adaptive person re-identificationgraph consistency based mean-teachingteacher-student networksrepresentation learning
发现论文，激发创造
  • 探索平均教师中的物体关系以进行跨域检测

    本研究提出了一种名称为 MTOR 的新方法，将 Mean Teacher 引入到 Faster R-CNN 网络中，通过学习对象之间的关系，结合三项一致性规则（区域级别、图形间、图形内）来进行跨领域检测，实验结果表明，在包括 Cityscapes、Foggy Cityscapes 和 SIM10k 在内的跨领域转移中，MTOR 的表现优于现有的方法，最好的单模型结果为 Syn2Real detection 数据集上的 22.8% 的 mAP。

    Apr, 2019

  • 领域自适应目标检测的对比均值教师

    本文提出了一种统一的、通用的框架 ——CMT，将 mean-teacher 自训练和对比学习这两种范式自然地集成在一起，通过伪标签进行特征抽取和优化，从而稳定提高了目标域上的性能，取得了新的最优表现。

    May, 2023

  • 互信均授：基于伪标签精炼的无监督领域自适应人员再识别

    该研究提出一种无监督的 Mutual Mean-Teaching (MMT) 框架，通过软标签精炼与三元组损失优化联合训练，从而在 Person Re-Identification 中实现了更好的特征表示与优秀的 unsupervised domain adaptation 性能。

    Jan, 2020

  • 交叉头部互惠式半监督医学图像分割

    用 CMMT-Net 方法解决半监督医学图像分割中的标签预测准确性、噪声以及信息过度拟合等问题，并在公开数据集上显著优于现有方法。

    Oct, 2023

  • 图形背景对比多元时间序列分类

    我们提出了一种名为 Graph Contextual Contrasting (GCC) 的方法，用于确保多元时间序列数据中的空间一致性和时间一致性，并在各种 MTS 分类任务中取得了最先进的性能。

    Sep, 2023

  • 半监督语义分割的扰动与严格均值 Teacher 模型

    本文中，我们使用新的 mean-teacher 模型扩展和更严格的 confidence-weighted cross-entropy loss 解决了一些不准确的预测，这使我们能够使用新的对抗性扰动技术来提高对相对数据的一致性学习泛化能力。结果表明，我们的方法较先前的 SOTA 方法在该领域实现了显着的改进。

    Nov, 2021

  • 多目标域自适应的课程图协作教学

    本研究提出了一种通过特征聚合和课程学习相结合的双分类器模型 (Curriculum Graph Co-Teaching) 来实现多目标域自适应 (MTDA)，该模型使用图卷积网络 (GCN) 来聚合来自不同领域的样本特征，同时采用辅助的课程学习策略来获取可靠的伪标签，实验结果表明该模型在多个基准数据集上都取得了比现有方法更好的性能。

    Apr, 2021

  • 图形对比聚类

    本研究提出一种新的基于图的对比学习框架 ——Graph Contrastive Clustering（GCC），用于聚类任务，并利用该框架在六个常用数据集上进行了实验。实验结果表明，该方法在聚类问题上明显优于现有的最先进方法。

    Apr, 2021

  • 去噪均值教师在领域自适应点云配准中的应用

    本文针对点云医学配准中的域适应问题和损伤监督教师中的噪声提出了一种去噪老师 - 学生范式方法，在公共数据集 PVT 上验证，在两个域移位模型下，该方法提高了 13.5 / 62.8% 的性能，并取得了新的最高精度水平 (TRE=2.31mm)。

    Jun, 2023

  • CGMN: 一种用于自监督图相似性学习的对比图匹配网络

    本文提出了一种对计算机视觉、图分类和协同过滤等领域特别有用的图相似性计算方法。此方法称为自监督图相似性学习，其基于对图像对的图形匹配任务和自学来训练的一种对比学习框架，可以更好地揭示图像的差异和共性，并跨越不同的图形对进行一致性识别。此方法依赖于具有有效单个图表示的现有图形神经网络，同时启用交叉图和交叉视图互动以增强节点表示的一致性和区分度，并通过汇集操作将节点表示转换为图级表示进行图相似性计算。

    May, 2022