ICCVJul, 2021

基于偏差伪标签的半监督语义分割重分布：基线调查

PDF
TL;DR本文提出了一种分布对齐与随机采样方法 (DARS), 用于生产能够匹配标记数据的真实分类分布的无偏伪标签，同时也提出了一种渐进式数据增强和标签策略，以促进使用伪标签训练模型。实验结果表明，该方法在 Cityscapes 和 PASCAL VOC 2012 数据集上的表现优于现有的前沿方法。
semi-supervisedsemantic segmentationlong-tailed class distributionpseudo-labelsdata augmentation
发现论文，激发创造
  • 基于伪标签的分布对齐制造厂对半监督不平衡学习的改进

    本文提出一种用于解决由不平衡数据分布训练的半监督学习算法的不足的算法，称为分布对齐伪标签提炼（DARP），该算法可以优化伪标签，保证效率和准确性，并且与现有 SSL 算法兼容。

    Jul, 2020

  • DASO: 面向语义的分布感知假标签在非平衡半监督学习中的应用

    本文提出了一种基于 Distribution-Aware Semantics-Oriented (DASO) Pseudo-label 的伪标签框架，该框架能够减少分类器的偏差预测，特别是在类不平衡和分布不匹配时，能够可靠地提高半监督学习算法的表现。

    Jun, 2021

  • 通过增强分布对齐的半监督学习

    本文提出了一种简单而有效的半监督学习方法，称为增强分布对齐，以解决有限标记样本导致的采样偏差问题，并介绍了一些实现策略（比如采用对抗式训练、插值策略等），同时在 SVHN 和 CIFAR10 数据集上进行了验证。

    May, 2019

  • 面向半监督多标签学习的类别分布感知伪标记

    本文提出 Class-distribution-Aware Pseudo Labeling (CAP) 方法，通过设计基于类感知阈值的规则学习框架来控制每个类别的伪标签的数量，并约束伪标签的类别分布接近真实分布，旨在解决半监督多标签学习问题。实验结果证明了 CAP 方法可以有效解决半监督多标签学习问题并提高泛化能力。

    May, 2023

  • 使用强数据增强的半监督语义分割简单基线

    该研究提出了一种基于半监督学习的语义分割框架，采用了强数据增强和分布特定批处理归一化技术，同时设计自校正损失提高噪声抗干扰能力，在 Cityscapes 和 Pascal VOC 数据集上实现了领先水平的结果。

    Apr, 2021

  • 一种极为简单的半监督不平衡学习基线模型

    SimiS 是一种简单而有效的 SSL 算法，通过用伪标签补充数据以解决类别不平衡问题，在 CIFAR100-LT，FOOD101-LT 和 ImageNet127 数据集上分别相对现有方法提高了 12.8％，13.6％和 16.7％的表现。

    Nov, 2022

  • 半监督实例分割的伪标签对齐

    PAIS 是一种新的框架，针对半监督实例分割问题，通过调整半监督损失项的权重，使得伪标签包含宝贵信息不被过滤掉，实验证明，PAIS 在标注数据极为有限的情况下具有很大的潜力，仅有 1% 的标注数据时，基于 Mask-RCNN 的 PAIS 在 COCO 数据集上获得 21.2 mAP（超过当前最先进模型 NoisyBoundary 7.7 mAP 的 12 个百分点），基于 K-Net 的 PAIS 获得 19.9 mAP。

    Aug, 2023

  • 改善半监督实例分割的 (伪) 标签

    通过引入一种双重策略来增强教师模型的训练过程，从而显著改善少样本学习，同时提出一种校准校正机制，使学生模型能够纠正教师的校准错误。实验结果在 LVIS 数据集上表现出显著的提升，平均精度（AP）提高了 2.8％，稀有类别的 AP 提高了 10.3％。

    Mar, 2024

  • 课程标记：重新审视半监督学习中的伪标记

    本文重新审视了伪标记的概念，提出了一种基于半监督学习的方法，通过将伪标记应用于无标签集中的样本，并利用已训练好的模型标记这些样本，然后迭代重复此过程来训练模型。本文通过实验证明，伪标记方法可以取得与现有最先进方法相媲美甚至更好的结果，并且更能抵御未知分布样本。作者指出采用学习课程原理以及在每个自我训练周期前重启模型参数是实现这一点的两个关键因素。在 CIFAR-10 数据集上，本文仅使用了 4,000 个标记样本，达到了 94.91% 的准确率，在 Imagenet-ILSVRC 数据集上，本文仅使用了 10％的标记样本，达到了 68.87％的 top-1 的准确率。

    Jan, 2020

  • 具有偏差自适应分类器的不平衡半监督学习

    本文提出了一种基于偏差自适应分类器的伪标签半监督学习方法，通过引入一个偏差吸引器来自动补偿类别不平衡带来的偏差，从而提高了伪标签方法在类别不平衡情况下的性能。实验证明，该方法优于现有的基准方法。

    Jul, 2022