具有分类标签的半监督学习
基于 WordNet 类层次结构的机器学习方法提高了 ImageNet 和 NABirds 数据集的分类准确度,并在较短的训练时间内成功匹配了基线模型的细粒度识别性能。
Nov, 2018
通过最近邻分类器目标和自监督学习的实例损失,结合粗标签和潜在细粒度空间,学习细粒度表示来提高图像检索的精度,从而在 iNaturalist-2018 等五个公共基准上建立了新的最先进技术。
Nov, 2020
我们提出了一种新型的监督对比损失函数,在表示学习过程中引入了分类树结构信息。该损失函数通过强制要求具有相同类标签(正样本)的图像在投影空间中比具有不同类标签(负样本)的图像更接近彼此来实现。该方法的优势在于它直接惩罚表示空间的结构,这使得在编码语义概念方面具有更大的灵活性。然而,标准的监督对比损失函数只基于下游任务(即类标签)强制执行语义结构。我们展示了通过在对比损失中明确考虑这些关系,采用加权惩罚的方式,可以超过监督对比损失。此外,我们将分类树的概念融入医学和噪声环境的设置中,表现出高达 7% 的性能提升。
Jun, 2024
本文研究将层次分类标签作为先验知识集成到扁平分类器的学习算法中的有效性,并通过两种方法将层次分类税引入到学习算法的损失函数中,实现半监督多类别分类器和全监督多类别分类器的性能提高,在工业数据集和公共基准测试中进行了实验,并取得了显著成果。
May, 2023
本研究提出了一种从大规模数据集到小规模、特定领域细粒度图像分类(Fine Grained Visual Categorization, FGVC)任务的迁移学习方法,并通过 Earth Mover's Distance 提出了一种衡量领域相似度的方法,实现了目标领域与数据源领域之间的知识迁移,得到了最先进的结果。
Jun, 2018
本文提出了一种基于深度卷积神经网络的学习系统,该系统对视觉相似的类别进行聚类,并学习针对每个子集的特定深度卷积神经网络特征,在测试时不需要边界框。在流行的 Caltech-UCSD 鸟类数据集上,实验证明该方法优于最近的细粒度分类方法,无需边界框,在最困难的情况下达到了 77.5% 的平均准确率,而先前的最佳表现为 73.2%。本文还表明,渐进式迁移学习使我们能够先学习通用领域的特征,然后将其调整到特定的鸟类集合中,从而提高准确性。
May, 2015
利用集合级标签增强实例级图像分类,提高分类性能,特别在组织病理学图像分类中,相对传统单样例标签方法,实验结果显示出巨大改进并与理论分析一致,为提升图像分类模型能力提供了有前景的方法。
Nov, 2023
本篇研究评估了半监督学习在存在严重类别不平衡和含有新类别图像的真实数据集上的有效性。研究结果表明最近提出的半监督学习方法可以利用不同类别的数据提高性能,但相较于迁移学习仍然表现不足。此外,本文证明在迁移学习中,现有的半监督学习方法在存在不同类别数据时往往是有害的。因此,标准的微调加蒸馏自训练是最健壮的方法。这些研究结论说明,对真实数据集的半监督学习可能需要不同于文献中普遍使用的方法。
Apr, 2021
文章中提出了一种新的方法来实现医学影像的细粒度子类分割,通过利用任务驱动的数据生成方法、先验拼接模块以及分层混合模型等技术手段,使模型在有限的子类注释数据和充分的高层次注释数据下实现与仅采用子类注释数据相近的结果。
Jul, 2023
本文重点研究了零样本多标签文档分类在人力资源领域的实际税分类扩展情景下的应用,实验表明,相对于传统的多标签分类器,零样本分类器可以实现 12% 的平均精度(macro-AP)的增长。另外,本文还提出了采用推荐系统领域中的筛选 / 重排序分解技术可以显著降低性能非常高的零样本分类器的计算负荷。
Aug, 2022