本研究提出一种名为动量伪标签的半监督语音识别方法,采用了一种在线模型与离线模型之间交互学习的策略,取得了比基准模型更好的效果。
Jun, 2021
本文中,我们提出了一种新的一致性正规化方法,名为交叉伪监督(CPS),通过探索有标签数据和额外的未标记数据来研究半监督语义分割问题。在城市风景和 PASCAL VOC 2012 上,我们的方法实现了半监督分割性能的最新水平。
该研究提出了一种有效的管道来学习更好的伪标签,其中含有高斯加权融合模块,伪标签作为一个在约束条件下的优化问题,以及 Delta 伪标签的概念,实现了超出现有方法的优越表现。
Apr, 2023
通过利用预训练的视觉语言模型,以无人工注释的方式进行病理图像分类,通过众包伪标签技术获得伪标签并通过一致性筛选以优化准确性。
Mar, 2024
我们提出了一种多视角伪标记方法来进行视频学习,它利用外观和运动信息的互补视角进行半监督学习,以获取更可靠的伪标签并比纯监督数据学习更强的视频表示。我们的方法在多个视频识别数据集上大大优于其监督对应方法,并在自监督视频表示学习的标准基准测试中与先前的工作相比具有竞争优势,同时仍然训练一个共享外观和运动输入的模型,因此在推理时间不会产生额外的计算开销。
Apr, 2021
采用自适应对比学习策略和多尺度时间学习策略,提出一种新型半监督动作识别方法,用于改进少量标记数据下的时空推理能力,取得了比之前先进方法更优越的结果。
Apr, 2024
通过众包标注系统和基于伪标签和对比学习的新方法,解决了由于用户知识、文化背景差异和获得监督信息的高成本而导致的标注信息不充分和含糊不清的问题,实现了半监督部分标签学习的最先进表现。
Oct, 2022
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
我们提出了一种轻量级通道级集成方法,用于将多个次优的伪标签有效地合并为理论上保证的无偏差和低方差的伪标签,该方法可轻松扩展到任何半监督学习框架,并在 CIFAR10/100 上显著优于现有技术,无论是在效果上还是效率上。
本文提出了一个基于对比学习的模型 SkeletonBYOL,以及一个结合了跨模型对抗学习(CMAL)和跨流协作学习(CSCL)的联合框架 ACL,用于骨架姿态下的行为识别任务。实验结果表明该方法在多个数据集和评估协议下均实现了优异的性能。
Jul, 2023