伪标记的自动课程学习用于半监督关键点定位
本文提出了一种新的 Pseudo-Labeling 半监督三维目标检测框架,通过引入 STE 和 CBV 模块提高了教师模型的性能,同时提出了 BCL 软监督信号来减小错误样本对训练的负面影响。实验证明,在 ONCE 和 Waymo 数据集上,我们的方法显著提高了基线,同时在 Waymo 数据集上,只使用了一半的注释即可超过完全注释的 oracle 模型。
Jul, 2022
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。
Mar, 2024
本文提出一种基于不确定性的假标签选择框架,通过减少训练过程中的噪音来提高假标签的准确性,并可以生成负假标签用于多标签分类和负学习,相比于最近的半监督学习方法在 CIFAR-10、CIFAR-100、UCF-101 和 Pascal VOC 数据集上获得了很好的性能。
Jan, 2021
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
本文提出一种基于伪标签的半监督学习方法,能够处理 open-world SSL 问题,并通过样本不确定性和类别分布先验知识等手段,为已知和未知类别的未标记数据生成可靠的类别分布感知型伪标签。该方法在多种常用数据集上表现良好,特别是在 CIFAR-100,ImageNet-100 和 Tiny ImageNet 数据集上的表现显著优于现有的最先进技术。
Jul, 2022
本文提出了一种反课程伪标记 (ACPL) 的半监督学习算法,它使用新技术选择信息丰富的未标记样本,改善了训练平衡性,并允许模型处理多标签和多类别问题,并通过准确的分类器集成来估计伪标签,该算法通过广泛实验在医学影像分类基准上取得了优异的效果。
Nov, 2021
本文提出了一种新的半监督学习方法 DP-SSL,采用创新的数据编程(DP)方案为无标签数据生成概率标签,通过自动生成标签函数并解决不同标签之间的冲突,成功缓解了有限标签数据的问题,实验证明 DP-SSL 可以为无标签数据提供可靠标签和更好的分类性能。
Oct, 2021
本文提出了 SemCo 方法,该方法结合标签语义和联合训练来解决半监督学习中伪标记质量差的问题,该方法在各种 SSL 任务中实现了最先进的性能,例如使用 1000 个标记的样本的 Mini-ImageNet 数据集上提高了 5.6%的准确性。
Apr, 2021
该研究提出了一种基于不确定性感知的伪标签选择框架,利用符合规范化算法产生的不确定性集合,修复了拟合不当的神经网络,从而减少嘈杂的训练数据。
Aug, 2023