CVPRMar, 2023

ProtoCon: 基于在线聚类和原型一致性的伪标签提炼，用于高效的半监督学习

PDF
TL;DRProtoCon 是一种半监督学习方法，通过在线聚类和使用原型损失函数诱导良好的聚类来提高虚标签的准确性，同时利用自监督辅助损失来解决训练信号的贫瘠问题，有效地缩短模型收敛时间，并在 CIFARs、ImageNet 和 DomainNet 等数据集上显著优于最先进的方法。
semi-supervised learningpseudo-labelingonline clusteringprototypical lossself-supervised loss
发现论文，激发创造
  • ContraCluster: 利用对比度自我监督学习和基于原型的半监督学习实现无标签分类

    使用对比自监督学习结合聚类的方法，提出了一种新的半监督图像分类方法 ContraCluster，通过三个阶段的学习可选取出高精度的图像原型并再结合少量的无标签数据和原型的噪声标签进行半监督训练，成果达到了与有监督分类相当的高准确率。

    Apr, 2023

  • 一种使用正则化的置信度预测的不确定性感知伪标签选择框架

    该研究提出了一种基于不确定性感知的伪标签选择框架，利用符合规范化算法产生的不确定性集合，修复了拟合不当的神经网络，从而减少嘈杂的训练数据。

    Aug, 2023

  • 标签并不平等：通过标签分组和协同训练增强半监督学习

    本文提出了 SemCo 方法，该方法结合标签语义和联合训练来解决半监督学习中伪标记质量差的问题，该方法在各种 SSL 任务中实现了最先进的性能，例如使用 1000 个标记的样本的 Mini-ImageNet 数据集上提高了 5.6％的准确性。

    Apr, 2021

  • 使用 Conformer 和初始化策略推进 Momentum Pseudo-Labeling

    本研究通过引入 Conformer 结构和迭代伪标签与语言模型相结合，提高了 MPL 性能，对各种半监督设置表现出鲁棒性， 并且在质量和效果方面优于其他基于伪标签的方法。

    Oct, 2021

  • 具有熟练教师的半监督三维目标检测

    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

  • PseCo: 半监督目标检测的伪标注和一致性训练

    本文深入研究了半监督目标检测（SSOD）中的两个关键技术，即伪标记和一致性训练，并提出了针对它们的一些问题的解决方案。在 COCO 基准测试中，我们的方法 PseCo 在 1％、5％和 10％标记比下的性能分别超过了 Soft Teacher 的 2.0，1.8 和 2.0 个点，且 SSOD 的学习效率显着提高。

    Mar, 2022

  • 利用多代聚类达成一致的方式完善伪标签，用于无监督物体重识别

    该研究采用聚类共识和时序集成伪标签的方法，旨在解决伪标签噪声的问题，提升无监督物体识别方法的准确率。实验证实，该方法在 MSMT17 数据集上取得了最高 8.8% 的平均精度提升。

    Jun, 2021

  • 原型网络的联邦半监督学习

    ProtoFSSL 是一种新颖的基于原型网络的半监督 FL 方法，它通过轻量级原型实现客户端之间的知识共享，减少了通信和计算成本，并在多个数据集上实现了更高的准确性。

    May, 2022

  • 使用原型网络的半监督和主动少样本学习

    本文提出了一种基于聚类的半监督少样本分类方法，使用 Prototypical Networks 提取特征并结合 K-means 聚类算法，利用少量标记样本指导聚类过程，而用户反馈可以显著改善适应性能。通过图像数据的实验，证明了该策略的良好性能。

    Nov, 2017

  • 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