FisherMatch: 基于熵过滤的半监督旋转回归
文章通过使用深度神经网络学习输出矩阵费舍尔分布参数来实现在 3D 旋转集合($SO (3)$)上估计概率分布;并使用负对数似然损失优化生成具有凸损失的模型从而在 Pascal3D +,ModelNet10-$SO (3)$ 和 UPNA 头部姿势等多个挑战性数据集上获取了 state-of-the-art 的结果。
Jun, 2020
本文提出了一种基于 Laplace 分布的 Rotation Laplace 分布,用于解决单 RGB 图像 3DoF 旋转估计的问题,其具有鲁棒性和更好的收敛效果,并在概率和非概率基线上实现了最先进的旋转回归任务表现。
Mar, 2023
本研究提出了一种新的基于 Laplace 分布的旋转概率模型,相较于高斯 Bingham 分布和 Matrix Fisher 模型更具鲁棒性,可以提高旋转回归任务的性能,并在半监督旋转回归和对称对象多解决方案空间等方面具有优势。
May, 2023
利用伪监督和一致性正则化的半监督图像分类方法,在最大化增强视图之间的互信息下限时,通过信息熵神经估计利用未标记样本的潜力,从理论上分析出图像分类器的信息熵通过最大化 softmax 预测的似然函数近似估计。在这些见解的指导下,我们从两个角度优化我们的模型,以确保预测的概率分布与真实分布紧密一致,并通过大量实验证明其卓越性能。
Apr, 2024
本研究提出了一种半监督学习算法 MixMatch,采用猜测低熵标签的方法,通过使用 MixUp 混合标记和未标记的数据来处理扩充后的未标注样例。实验结果表明,MixMatch 在许多数据集和标记数据量上都取得了大幅度的优越结果,同时也证明了 MixMatch 如何帮助实现更好的准确性和隐私权的权衡。最终,我们进行了消融研究来分离 MixMatch 的哪些组件对其成功最为重要。
May, 2019
基于半监督学习的火灾检测模型 FireMatch,结合了一致性正则化和对抗分布对齐,通过伪标签和视频增强等技术,扩展训练数据量,提高了分类性能和模型鲁棒性,实验结果表明该方法在真实火灾数据集上的准确率显著优于当前最先进的半监督分类方法。
Nov, 2023
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
CoMatch 是一种新的半监督学习方法,它通过学习数据的两种表示(类概率和低维嵌入)相互作用来统一主流方法并解决其局限性,并在多个数据集上实现了最先进的性能。
Nov, 2020
本论文通过神经网络比较两张 RGB 图像中所有点对的特征,构造密集的特征相关体并处理,以预测非重叠图像间的相对三维旋转,在室内外不同光照和地理位置情况下成功实现了对非重叠图像的旋转估计,避免了在即使重叠面积很小或没有重叠的图像之间的估计难题。
Apr, 2021
本文研究了利用深度神经网络进行矩阵分解的方法来实现旋转同步,从而使得相对位置转化为绝对位置。实验表明该方法在大多数场景下具有与最佳竞争者相当的准确性,并且工作在较弱的假设下。
May, 2023