自适应均衡学习的半监督语义分割

Oct, 2021

自适应均衡学习的半监督语义分割

Semi-Supervised Semantic Segmentation via Adaptive Equalization Learning

Hanzhe Hu, Fangyun Wei, Han Hu, Qiwei Ye, Jinshi Cui...

TL;DR本文提出了一种名为自适应均衡学习（AEL）的半监督语义分割新框架，旨在应对 Cityscapes 数据集中某些特定类别性能较差（即长尾标签分布），通过自信度相应动态调整训练，包括数据增广、数据采样等策略，实验证明其优于同类方法，并在多种数据划分协议下在 Cityscapes 和 Pascal VOC 基准测试中取得了显著的性能提升。

Abstract

Due to the limited and even imbalanced data, semi-supervised semantic segmentation tends to have poor performance on some certain categories, e.g., tailed categories in Cityscapes dataset which exhibits a long-tailed label distribution. Existing approaches almost all neglect this problem, and treat categories equally. Some popular approaches such as consiste

semi-supervised semantic segmentation long-tailed label distribution adaptive equalization learning data augmentation data sampling

发现论文，激发创造

ECACL: 半监督领域自适应的整体框架

提出了一种名为增强分类对齐和一致性学习（ECACL）的半监督域自适应（SSDA）框架，其中包括多种相互补充的域对齐技术，并通过类级别对齐、数据增强和模型鲁棒性实现全面域对齐，以提高具有带标签样本的目标域数据的性能。

Apr, 2021

主动半监督表示学习的语义分割

本文提出一种新算法，将半监督和主动学习相结合，通过用少量的有标签数据来训练分割算法。我们通过用自我训练方法替换半监督学习的平均教师方法，以处理带有噪声的标签，进一步增强神经网络的能力来查询有用的数据，从而实现了超越现有半监督方法的性能。在 CamVid 和 CityScapes 数据集上评估我们的方法，仅使用了 12.1% 和 15.1% 的标签数据，分别实现了 95% 以上的准确率。

Oct, 2022

密集长尾目标检测的均衡焦点损失

研究表明，采用传统的聚焦损失平衡训练流程难以解决长尾数据分布下某些类别正负样本不平衡的问题，作者因此提出了一种称之为 Equalized Focal Loss (EFL) 的损失函数，该方法采用与类别相关的调节因子来平衡不同类别的正负样本损失贡献，并通过 LVIS v1 基准测试表明该方法在稀有类别上有显著的性能提升。

Jan, 2022

基于变换一致性学习的半监督医学图像分割

本文介绍了一种基于半监督学习的医学图像分割方法，利用弹性变形实现了对有标签和无标签图像的变换一致性学习，通过在公共数据集上的测试，该方法达到了与同类方法相当的性能表现，并且使用了大为较少的有标签数据。

Nov, 2019

Equalization Loss v2: 长尾物体检测的新梯度平衡方法

为解决不平衡梯度导致的长尾目标检测困难，本研究提出了一种新的均衡损失（EQL v2）。实验结果表明，EQL v2 在 LVIS 基准测试中表现优异，比起原 EQL 可提高 4 个点的总 AP 值和 14-18 个点的罕见类别 AP 值，并且甚至超过了分离式训练方法。

Dec, 2020

长尾目标识别的均衡损失

本文提出了等化损失函数来解决卷积神经网络在大词汇和长尾数据集上的目标检测问题，通过简单的忽略稀有类别的梯度，保护稀有类别的学习不受到劣势影响，从而使得模型能够更好地学习稀有类别的物体的判别特征。通过实验证明，该方法在 LVIS 基准测试上，相对于 Mask R-CNN 基线，较为高效且能取得更好的检测效果。

Mar, 2020

基于一致性的半监督确信主动学习用于诊断放射照片分类

本文提出了一种结合半监督和主动学习的一致性半监督证据主动学习框架（CSEAL），通过建立在证据和主观逻辑理论上的预测不确定性，综合了半监督学习和基于不确定性的主动学习。我们在多标签胸部 X 射线分类任务上对该方法进行了广泛评估，并表明 CSEAL 相对于两个领先的半监督主动学习基线实现了实质性的性能提升。

Sep, 2022

大词汇实例分割的均衡损失

本文提出了一种基于等值损失的方法来解决 LVIS 数据集中大量罕见目标的问题，并利用检测数据集中类似目标的数据来缓解训练过程中丢失注释数据的影响，相对于基准模型 Mask R-CNN，我们的方法在 LVIS 基准测试集上取得了 5.1% 的整体 AP 提升和 11.4% 的罕见目标 AP 提升，最终在 LVIS Challenge 2019 中取得了第一名的成绩。

Nov, 2019

医学图像半监督分割中的变换一致自组织模型

本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

Feb, 2019

同时对一切进行对齐、蒸馏和增强以进行不平衡半监督学习

这篇研究提出了一种名为 ADALLO 的三方案框架，可解决长尾半监督学习中的类别不平衡问题，其中包括一个灵活的分布对齐机制、一个软一致性正则化机制和一个扩展未标记集的架构。该框架在不同程度的类别不平衡，不同数量的标记数据和分布不匹配的情况下在几个基准数据集上进行了评估，并展示了在大分布不匹配的情况下提高不平衡半监督学习表现的显著成果。

Jun, 2023