SimMatchV2: 图一致性的半监督学习
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
SelfMatch 是一个半监督学习方法,结合了对比自监督学习和一致性正则化的优势,经过两个阶段的自欺诈预训练和半监督微调,能够仅仅使用少量标签缩小半监督学习和有监督学习之间的准确率差距,在 CIFAR-10 和 SVHN 等基准数据集上都实现了最先进的结果。
Jan, 2021
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
提出了一种名为 DualMatch 的新型半监督学习方法,其中类别预测以双层交互方式调用特征嵌入,通过一致的正则化确保不同的增强视图受到一致的类别预测约束,并确保同一类别的不同数据具有类似的特征嵌入,实验证明了 DualMatch 的有效性。
Oct, 2023
本研究提出了一个针对半监督语义分割的简单但高效的半监督语义分割方法,称为 CorrMatch,目的是通过一致性正则化从未标记的图像中挖掘更多高质量的区域,以更有效地利用未标记的数据。
Jun, 2023
本研究提出了一种基于图神经网络的半监督学习方法,通过多次无监督的一致性优化,利用集成学习策略在多个视觉场景解释中实现多任务同时学习的高精度预测表现。
Oct, 2020
本文研究了无监督深度图匹配,并应用于图像特征点匹配。与传统的有监督方法不同,我们的方法不需要关键点对之间的真实对应关系,而是通过强制同一物体类别图像之间的匹配一致性进行自我监督。由于匹配和一致性损失是离散的,不能直接用于学习,我们通过在组合求解器的黑盒微分结果的基础上构建方法来解决这个问题。这使得我们的方法非常灵活,可以与任意网络架构和组合求解器兼容。实验结果表明,我们的技术在无监督图匹配领域达到了最新的最先进水平。
Jul, 2023
通过提出一种新的框架,即 MaskMatch,并应用多尺度集成策略,实现了对半监督语义分割任务中细粒度局部语义的更好感知和更准确的分割。
Dec, 2023