ICCVAug, 2023

IOMatch: 结合内点和外点利用的简化开放集半监督学习

PDF
TL;DR本文介绍了一种名为 IOMatch 的新型开放集半监督学习框架，能够在标记极度稀缺的情况下有效地利用异常点和内点，通过采用一个多二分类器和标准闭集分类器相结合的方法，产生统一的开放集分类目标以及使用这些目标作为伪标签进行优化，从而在包括内点和异常点在内的所有未标记样本上训练开放集分类器。实验证明，尽管其模型简单，IOMatch 在不同基准数据集和设置下明显优于基准方法。
发现论文，激发创造
  • OpenMatch: 半监督学习的开集一致性规则化处理技术，适用于带有离群数据

    本文提出了一种称为 OpenMatch 的开放集半监督学习方法，该方法利用 novelty detection 基于 one-vs-all classifiers 来拒绝处理 unlabeled data 中的离群值，同时引入了开放集软一致性正则化损失来增强 OVA-classifier 对于输入变换的平滑性，并在三个数据集上实现了最先进的性能。

    May, 2021

  • 一种用于开放集半监督学习的多任务课程框架

    本文提出了一种多任务课程学习框架，旨在解决开放集合 SSL 中的未知样本问题，通过同时训练模型的正常分类能力和未知样本的检测能力，成功地消除了未知样本的影响。

    Jul, 2020

  • SSB：简单但强大的开集半监督学习性能提升基线

    研究了半监督学习在开放集场景下的表现，提出了一种名为 Simple but Strong Baseline (SSB) 的方法，通过使用高置信度伪标签数据和非线性转换来改善内部分类和异常检测性能，进一步引入了伪负样本挖掘以提升对异常数据的检测。

    Nov, 2023

  • 未标记数据的开放集半监督学习中的探索和利用

    本文探讨半监督学习中的开放集问题，提出了基于原型的聚类和识别算法以及基于重要性采样的方法，针对多项挑战性基准测试取得最优成果。

    Jun, 2023

  • OpenCoS：用于处理开放集未标记数据的对比半监督学习

    本文提出了一个基于自我监督视觉表征学习框架的 OpenCoS 框架，可以处理开放式半监督学习的情况，通过利用伪标签和软标签来解决现有半监督方法中的失效问题，并通过大量的实验证明了其有效性。

    Jun, 2021

  • 垃圾变宝藏：通过跨模态匹配收集 OOD 数据，用于开放式半监督学习

    本文提出了一种新的开放式半监督学习方法，通过预热训练、交叉模态匹配等手段，在不将数据集中的 OOD 样本完全过滤掉的前提下，实现了更好的特征学习并判断 OOD 样本，取得了比现有技术更优的性能。

    Aug, 2021

  • 少样本零样本情境中的半监督学习

    我们通过引入额外的熵损失构建了一个分类器，用于对来自已知和未知类别的数据进行分类，从而改进了现有的半监督学习方法在已知和未知类别的分类中的表现。通过在 CIFAR-100 和 STL-10 两个基准图像分类数据集上的实验证明，我们相对于现有的 SSL、开放集合 SSL 和开放世界 SSL 方法取得了巨大的改进。当标记数据非常有限（每个类别 1-25 个标记示例）时，进步最为显著。

    Aug, 2023

  • 智能地利用开放数据的强韧半监督学习

    通过学习理论的角度，我们提出了一种智能选择开放数据集的半监督学习框架 WiseOpen，通过基于梯度方差的选择机制选择友好子集来提高模型的 ID 分类能力，并且提出了两个实际变体 WiseOpen 通过采用低频率更新和基于损失的选择来降低计算开销，广泛实验证明 WiseOpen 的有效性超过了现有技术水平。

    May, 2024

  • DualMatch：具有双层交互的鲁棒半监督学习

    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

  • 基于半监督开放集的三维点云理解学习

    本研究提出了一种基于样本加权的半监督 3D 点云学习方法，通过双层优化框架估计权重并引入三种正则化技术，提高了模型的稳定性和准确性。实验结果表明该方法在 3D 点云分类和分割任务中具有有效性和可行性。

    May, 2022