基于半监督开放集的三维点云理解学习
我们介绍了一种新的解耦优化框架,通过交替优化方式解决了现有基于半监督学习的方法中存在的严重训练偏差问题,主要是由于类别不平衡和点云数据的长尾分布导致了尾部类别分割的偏置预测。
Jan, 2024
本文提出了一种多任务课程学习框架,旨在解决开放集合 SSL 中的未知样本问题,通过同时训练模型的正常分类能力和未知样本的检测能力,成功地消除了未知样本的影响。
Jul, 2020
本文介绍了近期基于 DNN 的点云 SSL 的综述,包括定义、动机、背景、基于几种常见 Task-agnostic 预训练的创新分类方法,以及对于基准数据集的实验结果总结,最终给出了针对当前点云 SSL 限制的改进和未来研究方向。
May, 2023
我们通过引入额外的熵损失构建了一个分类器,用于对来自已知和未知类别的数据进行分类,从而改进了现有的半监督学习方法在已知和未知类别的分类中的表现。通过在 CIFAR-100 和 STL-10 两个基准图像分类数据集上的实验证明,我们相对于现有的 SSL、开放集合 SSL 和开放世界 SSL 方法取得了巨大的改进。当标记数据非常有限(每个类别 1-25 个标记示例)时,进步最为显著。
Aug, 2023
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
通过学习理论的角度,我们提出了一种智能选择开放数据集的半监督学习框架 WiseOpen,通过基于梯度方差的选择机制选择友好子集来提高模型的 ID 分类能力,并且提出了两个实际变体 WiseOpen 通过采用低频率更新和基于损失的选择来降低计算开销,广泛实验证明 WiseOpen 的有效性超过了现有技术水平。
May, 2024
本研究提出了基于类别置信度的三维半监督学习方法,在动态阈值策略和重新采样策略的帮助下,成功地解决了三维不平衡数据状态下监督学习的问题,并在分类和检测任务中得到了显著提高。
Oct, 2022
通过实现多种常用的 SSL 技术并在一系列实验中进行测试,研究发现简单基线方法的表现通常被低估,而 SSL 方法对标记和未标记数据的敏感性不同,当未标记数据集包含类外示例时性能可能会显著下降,因此我们提供了一个公共代码重现平台以帮助实现 SSL 技术在实际应用中的可行性。
Apr, 2018
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