本论文实验证明,鼓励一致性规则的简单损失函数可以显著提高模型对噪声标签的鲁棒性。
Oct, 2021
提出了一种基于插值方法的半监督学习算法来解决使用一些标签的数据集时一致性正则化方法的性能问题,并设计了一种新型对比损失来引导学习网络嵌入样本,实现更好的边界决策能力,通过实验证明,与现有算法相比,该算法可提高分类准确率 5.3% 以上。
Feb, 2022
本研究提出了一种基于几何变换的一致性约束正则化半监督图像翻译算法,在图像着色、去噪和超分辨率等数据敏感任务中,表现出仅需约 10-20% 有标注样本数量就能与标注样本量一样优秀的表现,同时可在视频处理任务中大幅提升质量。
Jul, 2020
在分析语义分割问题时,我们发现其分布没有展现出低密度区域,并将其作为解释半监督分割为何是具有挑战性的问题的原因,然后找到增强选择作为获得可靠性性能的关键,并发现这些改进后的 CutOut 和 CutMix 增强技术在标准数据集中提供了最先进的半监督语义分割结果。
Jun, 2019
本文介绍了一种基于自监督正则化的半监督学习方法,其中利用了大量未标记数据来提高模型的性能,并且可以有效地应用于图像分类任务中,不需要任何补充的超参数进行调整。实验结果表明,该方法优于传统的监督和半监督学习方法。
提出基于伪标签生成的半监督图像分类方法,利用 mixup 增广和每个 mini-batch 至少有数量的有标注样本的限制解决了伪标签带来的过度拟合问题,并在多个数据集上取得了最新的结果。
Aug, 2019
本文介绍了一种基于共享特征编码器的监督学习和无监督学习的联合训练方式,结合自监督学习和有标签信息可以提高性能,但该方案仍存在分类器偏差问题。因此,提出了一种名为超球面一致性正则化 (HCR) 的简单但高效的方法来避免标签偏差问题,通过特征依赖信息对分类器进行正则化。该方法通过最小化二元交叉熵的成对距离相似性度量来实现数据点具有相似结构,实验证明该方法在半监督和弱监督学习中表现优异。
Jun, 2022
本文介绍了一种名为 ConMatch 的新型半监督学习框架,它在图像的两个强大的增强视图的模型预测之间智能地利用一致性正则化,权重由伪标签的置信度确定。该方法通过弱增强视图作为锚点,提出了新的伪标签置信度度量方法,包括非参数方法和参数方法。特别是,在参数方法中,我们首次提出在网络内学习伪标签置信度,可以端到端地与骨干模型一起训练。在现有的半监督学习中加入 ConMatch 可以持续提高性能,本文通过实验和大量的消融研究证明了 ConMatch 的有效性。
Aug, 2022
本研究提出了自适应一致性正则化的半监督学习和迁移学习模型,可以利用源域和目标域的强大预训练模型以及目标域的标记 / 非标记数据。在 CIFAR-10、CUB-200 和 MURA 等基准测试中,该模型的性能优于 Pseudo Label、Mean Teacher 和 FixMatch 等半监督学习技术的表现,并且可以在 MixMatch 和 FixMatch 的基础上获得额外的提高。
Mar, 2021
提出了一种新的自我训练网络 InsTeacher3D,用于从无标签数据中探索和利用纯实例知识,通过实例一致性正则化实现半监督的 3D 实例分割,结果显示 InsTeacher3D 明显优于先前最先进的半监督方法。
Jun, 2024