Jan, 2023

关于伪标记在类别不匹配半监督学习中的应用

PDF
TL;DR该论文以 Pseudo-Labeling 为代表的 SSL 方法为研究对象，探究了未标记的 Out-Of-Distribution 数据对于类异构 SSL 方法的影响。研究发现，不平衡的伪标签是 PL 方法存在的主要问题。本文提出了两个改进方法：Re-balanced Pseudo-Labeling 和 Semantic Exploration Clustering，来解决这一问题，最终在不同基准测试中实现了超越监督基线和最先进性能的稳定改进。
发现论文，激发创造
  • 未标记数据的开放集半监督学习中的探索和利用

    本文探讨半监督学习中的开放集问题，提出了基于原型的聚类和识别算法以及基于重要性采样的方法，针对多项挑战性基准测试取得最优成果。

    Jun, 2023

  • InPL: 针对不平衡半监督学习首先伪标记正常值

    提出了一种基于能量评分的伪标签方法（InPL）来应对非均衡半监督学习问题，该方法不依赖于模型置信度，而是根据样本在当前训练数据附近的相对位置进行评分，与目前的置信度评分方法相比，InPL 能够相对简单且显著地提高分类精度，并在 CIFAR10-LT 数据集上提高了 3％的绝对准确度和一个最具挑战性的场景下跑赢了最佳竞争对手。

    Mar, 2023

  • 他们并非毫无用处：将可转移的未标记数据用于类不匹配的半监督学习中的回收利用

    本研究提出了 “可转移的 OOD 数据回收”（TOOR）方法，采用敌对领域适应将可回收的 OOD 数据投影到 ID 数据和标记数据的空间中进行训练，从而实现了非相配类别 SSL 的改进表现，该方法在典型基准数据集的实验中得到了证明。

    Nov, 2020

  • 具有区分度的偏好标签学习与外部数据检测

    我们的研究引入了一种名为 PLL-OOD 的新方法，将 Out-of-Distribution（OOD）检测纳入 Partial Label Learning（PLL）框架，通过合并自我监督学习和部分标签损失以及 PE 得分，实现了模型的适应性和准确性的显著提升，在开放世界环境中大大提高了 PLL 模型的鲁棒性和性能。

    Mar, 2024

  • 一种用于开放集半监督学习的多任务课程框架

    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

  • 关于伪标签的辩护：一种基于不确定性的半监督学习伪标签选择框架

    本文提出一种基于不确定性的假标签选择框架，通过减少训练过程中的噪音来提高假标签的准确性，并可以生成负假标签用于多标签分类和负学习，相比于最近的半监督学习方法在 CIFAR-10、CIFAR-100、UCF-101 和 Pascal VOC 数据集上获得了很好的性能。

    Jan, 2021

  • 垃圾变宝藏：通过跨模态匹配收集 OOD 数据，用于开放式半监督学习

    本文提出了一种新的开放式半监督学习方法，通过预热训练、交叉模态匹配等手段，在不将数据集中的 OOD 样本完全过滤掉的前提下，实现了更好的特征学习并判断 OOD 样本，取得了比现有技术更优的性能。

    Aug, 2021

  • 一种通道集合方法：无偏差和低方差的伪标签对半监督分类至关重要

    我们提出了一种轻量级通道级集成方法，用于将多个次优的伪标签有效地合并为理论上保证的无偏差和低方差的伪标签，该方法可轻松扩展到任何半监督学习框架，并在 CIFAR10/100 上显著优于现有技术，无论是在效果上还是效率上。

    Mar, 2024

  • 基于半监督开放集的三维点云理解学习

    本研究提出了一种基于样本加权的半监督 3D 点云学习方法，通过双层优化框架估计权重并引入三种正则化技术，提高了模型的稳定性和准确性。实验结果表明该方法在 3D 点云分类和分割任务中具有有效性和可行性。

    May, 2022

  • 伪标记的自动课程学习用于半监督关键点定位

    该研究采用一系列动态阈值来自动选择可靠的伪标签样本，形成一个学习课程，从而显著优于先前最先进的 SSL 方法，在六个 keypoint 本地化基准数据集上进行了广泛的实验。

    Jan, 2022