CVPRNov, 2021

MUM：混合图像块和解混特征块进行半监督目标检测

PDF
TL;DR介绍一种名为 Mix/UnMix 的简单有效的数据增强方法，用于半监督目标检测框架，能够让混合输入图像瓦片从特征空间中分离并重构，通过非插值伪标签获得插值正则化效果，成功生成具有意义的弱 - 强对。在 MS-COCO 和 PASCAL VOC 数据集上广泛实验，表明 MUM 优越性能在所有测试的 SSOD 基准协议上持续提高 mAP 性能。
semi-supervised learningteacher-student architecturedata augmentationsemi-supervised object detectionmix/unmix
发现论文，激发创造
  • Un-Mix: 重新思考无监督视觉表示学习中的图像混合

    该论文提出了一种基于标签空间的无监督学习方法 (Un-Mix)，通过混合输入数据进行联合工作，从而学习到更加精细、鲁棒且广义的表示。实验证明，在 CIFAR-10、CIFAR-100、STL-10、Tiny ImageNet 和 ImageNet 等数据集上，该方法均可以在保持基本方法的超参数和训练程序不变的条件下，显著提高模型的泛化性能。

    Mar, 2020

  • LossMix: 简化和泛化 Mixup 以用于目标检测和更多领域

    该研究提出了一种新的概念框架 —— 监督插值，通过松弛和概括 Mixup，可以有效地规范混合数据的训练，进而提出了一种名为 LossMix 的简单却灵活且有效的正则化方法，并设计了一种两阶段的域混合方法，借助 LossMix 超越了 Adaptive Teacher，并在无监督领域适应中有了新的突破。

    Mar, 2023

  • Mixup-CAM: 弱监督语义分割通过不确定性正则化

    本研究提出了一种基于 mixup 数据增强和不确定性正则化的训练框架，实现了使用图像级标记进行弱监督语义分割的目标响应映射获取，并在实验中得到了比现有方法更好的表现。

    Aug, 2020

  • SuperMix：混合数据增强的监督

    本文提出了一种监督式混合增强方法 SuperMix，使用牛顿迭代方法来提高效率，在对象分类和知识蒸馏任务中通过广泛的评估和消融研究验证了其有效性，将混合图像纳入蒸馏目标可显著提高结果。

    Mar, 2020

  • FeatMatch：基于特征的半监督学习增强

    本文提出了一种创新的特征提取和扩增方法，利用聚类提取的内部和跨类别原型代表信息，生成各式各样的复杂变换，结合传统图像扩增用于一致性正则化损失，实验验证结果表明在小尺寸数据集上与当前先进技术相当，且可以扩展到更大的数据集，例如 CIFAR-100 和 mini-Imagenet 上取得重大进展，并在 DomainNet 上实现更好的鲁棒性。

    Jul, 2020

  • 混合伪标签用于半监督目标检测

    通过综合利用 Mixup、Mosaic 和有关实例重新采样有标签数据，本研究提出了 MixPL 方法改善伪标签方法在半监督目标检测任务中的局限性，尤其对小物体和尾部类别物体的伪标签检测，进一步提升了各种检测器的性能，创造了 Faster R-CNN、FCOS 和 DINO 在 COCO 标准和 COCO 完全数据集上的新的最优结果，且在大型模型上具有良好可扩展性，在没有额外注释的情况下，在 COCO val2017 数据集上取得了非平凡的新纪录（60.2% mAP）。

    Dec, 2023

  • 自监督语义分割调整的混合匹配

    该研究提出了一种自我监督学习方法，通过引入 “混合和匹配” 步骤来提高语义图像分割任务的性能，该方法无需更多的数据和标签，并且在很多方面与有监督的预训练方法可以媲美甚至超过其性能。

    Dec, 2017

  • 即时教学：一种端到端的半监督目标检测框架

    本研究介绍了一个完全端到端的有效半监督物体检测框架 Instant-Teaching，使用了即时伪标记和扩展的弱 - 强数据增强进行教学。在 MS-COCO 和 PASCAL VOC 数据集上的实验证明了我们提出的方法优于现有方法。

    Mar, 2021

  • 重新思考半监督医学图像分割的数据扰动和模型稳定化

    提出一种用于半监督医疗图像分割的简单而有效的方法 DPMS，重点在于通过数据扰动和模型稳定化生成适当的预测不一致，从而显著提升了 SSMIS 的性能。

    Aug, 2023

  • Co-Mixup: 基于显著性引导的超模复合联合 Mixup

    本文提出了通过优化构建 mixup 数据的最佳方法以获得更好的神经网络推广性能和对数据干扰的鲁棒性，特别是使用基于模块化近似的迭代次模最小化算法来实现有效的 mixup 计算。

    Feb, 2021