ECCVAug, 2022

ConMatch: 带置信度引导的连贯性正则化半监督学习

PDF
TL;DR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。
semi-supervised learningconsistency regularizationimage augmentationconfidence measureparametric approach
发现论文，激发创造
  • FixMatch：用一致性和置信度简化半监督学习

    该研究论文通过半监督学习中的一种简单的组合方法 —— 一致性正则化和伪标记生成，提出了 FixMatch 算法，该算法可有效提高网络模型的性能，且在多项半监督学习标准测试中均实现了最先进的表现。

    Jan, 2020

  • CoMatch：对比图正则化的半监督学习

    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

  • SelfMatch: 结合对比自监督和一致性的半监督学习

    SelfMatch 是一个半监督学习方法，结合了对比自监督学习和一致性正则化的优势，经过两个阶段的自欺诈预训练和半监督微调，能够仅仅使用少量标签缩小半监督学习和有监督学习之间的准确率差距，在 CIFAR-10 和 SVHN 等基准数据集上都实现了最先进的结果。

    Jan, 2021

  • SimMatch: 带相似性匹配的半监督学习

    本文提出了一种新的半监督学习框架 SimMatch，该框架同时考虑语义相似性和实例相似性，并通过一致性正则化将这两种相似性转换为更可靠的匹配目标，实现了半监督学习任务的性能提升，特别是在 ImageNet 数据集上，1％和 10％标记示例的 Top-1 准确率均显着优于基线方法和以前的半监督学习框架。

    Mar, 2022

  • 半约束聚类的约束匹配

    本文提出了一种半监督背景下的约束聚类模型 ConstraintMatch，通过使用没有约束的数据和伪约束机制解决了伪标签的确认偏差问题，并采用新的伪标签方法选择信息量高的无约束样本，从而实现了半约束模型训练。作者在多项实验中验证了 ConstraintMatch 在常规聚类和过聚类场景中的有效性，并对其多个组成部分进行了分析。

    Nov, 2023

  • MarginMatch: 利用伪边际改进半监督学习

    MarginMatch 是一种结合一致性正则化和伪标记的新的 SSL 方法，其主要创新在于使用无标签数据的训练动态来衡量伪标签的质量，以确保屏蔽低质量预测；在低数据情况下，MarginMatch 在四个视觉基准测试以及两个大规模数据集上都取得了显著的改进，并且在每类只有 25 个标签的 CIFAR-100 上提高了 3.25％的错误率，在每类只有 4 个标签的 STL-10 上提高了 3.78％的错误率。

    Aug, 2023

  • MutexMatch: 基于互斥一致性正则化的半监督学习

    本文介绍了一种针对半监督学习（SSL）的新方法 ——MutexMatch。该方法在利用高可信样本的同时，还充分利用低置信度样本，通过互斥约束来提高低置信度样本的质量，从而提高了在多个基准数据集上的分类准确度。

    Mar, 2022

  • 半监督语义分割中弱到强一致性的再访

    本文介绍了一种基于弱到强一致性框架的半监督分类技术，将图像的弱扰动版本作为强扰动版本的监督信息，通过使用数据扩充，提出了一个统一的双流扰动方法，该方法在各种基准测试中表现优异。

    Aug, 2022

  • DualMatch：具有双层交互的鲁棒半监督学习

    提出了一种名为 DualMatch 的新型半监督学习方法，其中类别预测以双层交互方式调用特征嵌入，通过一致的正则化确保不同的增强视图受到一致的类别预测约束，并确保同一类别的不同数据具有类似的特征嵌入，实验证明了 DualMatch 的有效性。

    Oct, 2023

  • 半监督学习的对比正则化

    本文中提出的聚类特征对比正则化方法在半监督学习中取得了最先进的结果，通过聚类伪标签的归属特征来更新模型，以便更有效地将标记信息传播到更多未标记样本。

    Jan, 2022