CorrMatch:半监督语义分割的相关匹配标签传播
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
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
本研究提出了一种新颖的一致性驱动半监督分割框架,其通过对编码器和双头解码器进行训练来实现对预测结果的不变性,比传统的半监督方法在 CT 肺血管分割和 MRI 脑肿瘤分割任务上表现更好,并且表明了 MisMatch 相对于其监督学习对应物的更好模型校准方法的有效性。
Mar, 2022
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。
Aug, 2022
我们提出了一种联合匹配和分割图像集合中同一类别的对象实例的方法,这种方法利用了两个任务的互补性,通过从语义匹配得到的估计密集对应场来提供对象共分割的监督,并且从对象共分割得到的预测对象掩码来改善语义匹配的性能,我们的算法在五个基准数据集上表现优异。
Jun, 2019
CrossMatch 是一种新颖的框架,通过与双扰动策略(图像级和特征级)结合使用知识蒸馏技术,从标记和未标记数据中提高模型的学习能力,通过生成多样化的数据流进行自知识蒸馏,从而在医学图像分割中显著优于其他最先进的技术,在标准基准测试中有效地缩小训练差距,提高边缘精度和泛化性能。
May, 2024
通过引入 SegMatch 方法,在手术仪器分割中使用半监督学习,减少了对昂贵标注的需求,并在 MICCAI 仪器分割挑战数据集上展示出性能的提升,超过了全监督学习方法和其他半监督语义分割模型。
Aug, 2023
本篇论文从分布级别和实例级别两个不同但互补的视角提出了一个简单而有效的 LabelMatch 框架,用于解决自我训练期间存在的标签不匹配问题,并通过 Proposal Self-assignment 机制确定准确的伪标签来促进学生和教师之间的匹配。在 MS-COCO 和 PASCAL-VOC 数据集上的实验结果表明,所提出的框架明显优于其他现有方法。
Jun, 2022