ICCVAug, 2023

多样的合作训练构建强力的半监督分割器

PDF
TL;DR通过探索协同训练的不同维度及其对抗同质化，我们的多样化协同训练在 Pascal 和 Cityscapes 数据集上大幅优于现有方法，通过仅使用 92、183 和 366 张标记图像，在 Pascal 数据集上取得了 mIoU 分别为 76.2%、77.7% 和 80.2% 的最佳结果，超过之前的最佳结果超过 5%。
deep co-trainingsemi-supervised segmentationworking mechanismhomogenization of networksdiverse co-training
发现论文，激发创造
  • 深度共同训练用于半监督图像分割

    本文介绍一种基于深度分割模型集成的半监督学习方法，利用有标注的图片训练模型子集，并使用未标注的图片协同训练模型，同时使用对抗样本来保持多样性，实现语义图像分割的性能提升，在两个医学图像数据集上取得最先进的结果。

    Mar, 2019

  • 深度协同训练半监督图像识别

    本文研究在有标记和无标记图像的情况下学习分类器的半监督图像识别问题。我们提出了 Deep Co-Training 方法，该方法基于 Co-Training 框架，并通过对抗样本促进视角差异性以防止多个深度神经网络之间的折叠。在 SVHN、CIFAR-10/100 和 ImageNet 数据集上进行测试，结果表明我们的方法大幅优于先前的最先进方法。

    Mar, 2018

  • 自适应、自洽的自训练方法用于半监督图像分割

    本文提出了一种半监督图像分割的改进方法，采用自主逐步训练方法和不同网络结构预测结果一致性及可靠性的 Generalized Jensen Shannon Divergence（JSD）损失函数，通过在在训练的不同迭代中强制模型的预测结果始终保持一致性，获得了在少量已标注数据情况下取得了比标准协同训练基线方法和最新半监督分割方法更好的性能表现。

    Oct, 2020

  • 元学习协同训练：双视角胜过单一视角

    基于少量训练资源，Meta Co-Training 在 ImageNet-10% 上取得了新的最先进性能，并在其他细粒度图像分类数据集上胜过先前的半监督方法。

    Nov, 2023

  • UCC：基于不确定性引导的跨头部共同训练半监督语义分割

    提出了一种称为 UCC 的新型学习框架，它通过强弱数据增强、动态交叉集复制粘贴和不确定性引导的重新加权模块，结合了一致性和自我训练的优势，从而实现了半监督语义分割。在 Cityscapes 和 PASCAL VOC 2012 数据集上进行了广泛的实验，证明了 UCC 方法的有效性和优越性。

    May, 2022

  • DiverseNet：决策多样化的半监督遥感图像语义分割网络

    通过同时提高训练过程中的精确度和多样性，我们提出的 DiverseNet 架构可以使用多头和多模型的半监督学习算法，实现与半监督学习方法相比更高的语义分割性能，并且相对于最先进的方法，我们提出的 DiverseHead 架构在参数空间上相对较轻，同时能够在所有测试数据集上获得高性能的结果。

    Nov, 2023

  • 没有一种表示能够掌握所有知识：训练方法的重叠特征

    通过对超参、架构、框架和数据集进行大规模实证研究，我们发现训练方法的差异会导致模型产生不同的泛化行为，从而在子域中表现更好，与其他模型的错误更不相关。这种多样性可以提高集成表现，并且连低准确度的模型也可以用来提高高准确度的模型。此外，我们发现训练方法的差异会使表示捕捉到有重叠但不是超集的特征集，将其结合可以提高下游性能。

    Oct, 2021

  • 基于多视角语义一致性的文本监督分割掩模发现 (ViewCo)

    本文提出了一种基于文本监督的分割方法，使用多视角一致性学习的方法解决了现有工作中对于同一图像的多个视角的对应问题。实验结果表明，该方法在几个数据集上的平均表现比现有方法提高了最高 2.9％的 mIoU。

    Jan, 2023

  • 多视图子空间学习的深度共注意力网络

    本研究提出了一种基于深度学习的共同关注网络，用于多模态数据的子空间学习，能够提取共性信息和补充信息，并通过协同关注机制向最终用户提供预测的解释。通过引入分类器和交叉重构损失以优化潜在表示和加速收敛速度，最终在合成数据和实际数据集上进行了广泛评估。

    Feb, 2021

  • 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