Jun, 2023

通过标签误差检测和覆盖，改进基于观点的问题回答系统

PDF
TL;DR本文提出了一个模型无关且计算高效的标签错误检测和覆盖框架 ——LEDO，基于 Monte Carlo Dropout 结合不确定性测度，并针对工业问题回答系统进行了应用，它能显著提高模型的准确性并降低成本。
发现论文，激发创造
  • 通过数据模糊化减轻标签噪声

    本文提出一种使用 “超集学习” 框架来处理标签噪声的方法，将目标信息进行模糊化，并添加额外的备选标签，以协同改善学习器的泛化性能。实验结果表明该方法在合成和真实数据上都能有效检测和纠正错误的训练标签。

    May, 2023

  • LEOD: 事件相机的标签高效目标检测

    LEOD 是第一个能够节省标签的事件感知目标检测框架，通过弱监督、半监督和自监督学习机制，利用有限标签在未标记事件上生成伪标签，并通过双向推理和基于跟踪的后处理提高伪标签的质量。通过引入新的实验协议，在 Gen1 和 1Mpx 数据集上评估基于事件感知的节约标签的目标检测任务，LEOD 在各种标签比率下始终优于基准方法，甚至在所有标记数据都可用时达到了新的最优结果。此外，LEOD 方法还能应用于改进更大的检测器。

    Nov, 2023

  • 基于损失估计的主动学习中的时间输出差异

    该论文提出了一种基于 TOD 测量方法的深度主动学习方法，通过查询 oracle 注释含有高损失的未标记样本以降低数据注释成本，并在图像分类和语义分割任务上展示出卓越的性能。

    Dec, 2022

  • 场景理解的直接优化学习

    本文提出了一种名为 Learning Direct Optimization 的方法，用于解释和优化具有潜变量和场景图潜变量的 3D 计算机图形模型，实验表明，该方法比传统的以误差为基础的竞争方法更有效，能够更好地处理数据和拟合场景模型之间的不匹配问题。

    Dec, 2018

  • 具有时间输出差异的半监督主动学习

    本文提出了一种利用时间输出差异度来估计样本损失的深度主动学习方法，该方法可以从未标注的数据中选择最具信息量的样本，并且在图像分类和语义分割任务上相较于最先进的主动学习方法取得了更好的性能。

    Jul, 2021

  • 元学习软标签校正器学习去噪标签

    本文提出了一种基于元学习方法的元 - 梯度下降模型，可自适应地根据当前的训练问题迭代地获取校正后的软标签，无需手动预设超参数，从而解决了深度神经网络容易过度拟合含有噪声标签的训练数据的问题。

    Aug, 2020

  • LaPraDoR：无监督的预训练密集型检索器用于零样例文本检索

    本文提出了 LaPraDoR，这是一种经过预训练的双塔密集检索器，不需要任何监督数据进行训练。我们使用迭代对比学习 (ICoL) 以及词库增强的密集检索 (LEDR) 提高检索准确性，并且在 BEIR 基准测试中取得了最新的最优表现。

    Mar, 2022

  • 学习在开放世界中检测所有事物

    为了解决现有网络对未注释区域默认为负样本的问题，引入了一种数据增广和训练方法，称为 Learning to Detect Every Thing (LDET)。在 LDET 中，实现将带注释物体贴在一张采样自原始图像局部区域的背景图像上，然后将训练过程分为两部分进行，最终在包括 COCO、UVO 和 Cityscapes 等多个数据集上获得了优异的结果。

    Dec, 2021

  • 大语言模型的并发语言错误检测 (CLED)

    基于提取语言模型生成的文本的某些语言特征并将其输入到并发分类器中以检测错误的并发语言错误检测 (CLED) 方案可以在无法访问内部节点的 LLMs 上使用，并且可以在新闻摘要和翻译等不同任务上应用。

    Mar, 2024

  • ObjectLab: 目标检测数据中误标记图像的自动诊断

    我们提出了 ObjectLab 算法，用于检测目标检测标签中的各种错误，包括：漏掉的边界框、位置错误的边界框和错误的类别标签分配。ObjectLab 利用任何经过训练的目标检测模型对每个图像的标签质量进行评分，从而可以自动优先考虑进行标签的审查和修正。适当处理错误数据可训练出更好的目标检测模型的版本，而无需更改现有的建模代码。ObjectLab 在不同的目标检测数据集（包括 COCO）和不同的模型（包括 Detectron-X101 和 Faster-RCNN）上始终比其他标签质量评分方法更准确地检测到注释错误的存在。

    Sep, 2023