半监督和无监督深度视觉学习:一项综述
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
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
本文提出一种针对医疗图像分类领域的半监督学习方法,借助于新领域、新标签的未标记数据,采用基于双路径异常值估计和变分自动编码器预训练的方法,实现更好的开放场景下的分类表现。在实验中,该模型在不同的医疗学习场景下 Demonstrate 了更好的分类表现。
Apr, 2023
本篇文章研究了半监督深度学习的最新方法,重点是针对标记和未标记数据集之间分布差异的情况设计的半监督深度学习模型,致力于解决传统深度学习流水线在实际使用环境下对数据的高需求,并希望鼓励社区应对该方面的挑战。
Mar, 2022
本研究探讨了图像分类器的半监督学习问题,提出了自监督半监督学习框架,并使用该框架派生出两种新的半监督图像分类方法。在 ILSVRC-2012 测试中,证明了该方法与现有半监督学习方法相比的有效性和新的最佳结果。
May, 2019
本文提出一种新的 SSL 算法,通过引入转移学习和自主监督来初始化数据的表示,再利用新算法,交替拟合有标签和无标签点以降低过拟合和避免标签和无标签损失平衡的问题。实验证明,该方法在标准基准测试中表现优异,特别是在从其他任务或数据集中细化时,效果更佳。
May, 2019
本文综述了半监督目标检测的五个方面,包括数据增强、数据标注、损失函数和常见基准数据集等。通过对各种方法的比较和分析,为读者提供了对该领域研究现状和未来发展方向的深入了解。
Jun, 2023