Fix-A-Step: 从未经筛选的未标记数据中进行半监督学习
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
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
本研究提出了一种叫做AuxMix的算法,该算法利用自监督学习任务来学习通用特征,以掩盖那些不同于标记集的语义上不相似的辅助数据,并正则化学习通过预测熵最大化来处理不同数据的不确定性,结果显示该算法相比现有的基线在ResNet-50模型上训练CIFAR10数据集时提高了5%。
Jun, 2022
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
本研究提出一种半监督医学图像分割的方法,通过在简单平均教师体系结构中双向复制粘贴标记和未标记数据,从而鼓励标记和未标记数据之间的一致性学习,有效缓解标记和未标记数据分布之间的差异,实验证明该方法相对于其他半监督医学图像分割数据集的最新技术有实质性提升。
May, 2023
对医学图像分类应用进行的研究表明,使用未标记的数据可以提高分类器的性能,通过自监督学习和半监督学习的方法,本研究在医学图像领域设计了一个基准测试,发现MixMatch、SimCLR和BYOL方法是强有力的选择,并提供适用于新医学任务的设置以及进一步搜索的方法。
Jul, 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
UniMOS是首个全面利用完全标注图像、部分标注图像和未标注图像的通用框架,其中包括多器官分割模块、新的目标自适应损失和用于未标注数据的半监督训练模块。实验证明,与其他先进方法相比,该框架在多个医学图像分割任务中表现出色,同时显著提高了数据利用率并降低了标注成本。
Nov, 2023
本研究提出了一种新的半监督学习方法InterLUDE,通过嵌入融合和一种新的损失函数(基于一致性正则化原则),在标记和未标记数据之间实现相互作用,以提高SSL图像分类的性能。实验结果表明,InterLUDE在标准闭集SSL基准测试和医学SSL任务中表现出明显的优势。在只有40个标签的STL-10数据集上,InterLUDE的错误率为3.2%,而最佳先前方法的错误率为14.9%。
Mar, 2024
本论文提出了一种仅使用有限的标注数据和大量未标注图像的单张标注数据训练模型而不依赖图像配准的几乎无监督医学图像分割(BSS)方法,采用无噪声标注数据构建算法和频率空间混合策略,用于减轻数据间的领域转移问题,实验证明该方法对BSS具有很高的性能。
May, 2024