Nov, 2023

基于最大差异学生的半监督 2D 姿势估计中的不确定性建模

PDF
TL;DR本文介绍了一种简单而高效的框架，从建模伪标签的不确定性角度来估计半监督姿势估计任务中的伪标签质量，并在两个教师生成不同决策边界的基础上构建了两个最大差异学生（MDSs）以有效推动。实验结果表明，我们的方法改善了三个数据集上的半监督姿势估计性能。
semi-supervised pose estimationconfidencepseudo-labelsuncertaintydual mean-teacher framework
发现论文，激发创造
  • 半监督 2D 人体姿态估计中的折叠问题实证研究

    该研究介绍了一种稳定半监督学习方法的做法，该方法通过相互教学的方式学习可靠的伪标签，避免了训练过程中出现的高度不平衡的类分布问题。

    Nov, 2020

  • 双重不确定性加权半监督学习方法

    本文提出了一种基于师生模型的双不确定加权半监督分割方法，其中老师模型通过对标签和未标签数据的不一致预测惩罚来指导学生模型，我们使用贝叶斯深度学习训练教师模型，这是首次将分割不确定性延伸到特征不确定性，我们设计了可学习的不确定性一致性损失以在预测和不确定性之间以交互方式进行无监督学习，并通过定性和定量分析验证了所提出的特征不确定性和损失函数的有效性，实验结果表明，我们的方法在两个公共医学数据集上优于现有的基于不确定性的半监督方法。

    Oct, 2020

  • 深度基于半监督的三维手势姿态估计的可持续性训练的拓展

    本文提出了一种半监督深度学习方法，使用无标签样本并通过仿射变换鼓励估计等变性，同时将学生网络的无标签样本伪标签提供给教师网络，以显著减少对标记训练数据的依赖，并且在测试时间仅使用学生网络的情况下，大量改善了之前半监督方法的表现。

    Mar, 2023

  • 非所有面都平等：半监督 3D 目标检测的定位不确定性估计

    用于半监督三维物体检测的侧面感知框架，通过三个关键设计（三维边界框参数化方法、不确定性估计模块和伪标签选择策略）共同工作，显式地估计每个侧面的定位质量并在训练阶段分配不同级别的重要性，实验证明这种方法能在不同场景和评估指标下始终优于基准模型。此外，我们的方法在三个具有不同标记比例的数据集上达到了最先进的性能。

    Dec, 2023

  • 自监督多视角立体匹配中的不确定性探究

    提出了一种新的 UMVS 框架，通过估计自监督 MVS 中的认知不确定性来处理前景中的不确定监督和背景中的无效监督信号，并在 DTU 和 Tank＆Temples 基准测试中获得了最佳性能。

    Aug, 2021

  • 基于数据不确定性引导的半监督目标检测多阶段学习

    本文提出了基于数据不确定性引导的多阶段学习方法和图像不确定性引导简单数据选择和感兴趣区域重新加权方法，能够充分考虑不同类型的未标记图像并将不同阶段的模型集成在一起，从而使半监督目标检测器更加聚焦于更可靠的知识，实验结果表明，该方法与基线方法相比具有显著的优势。

    Mar, 2021

  • 通过重新审视数据增强和一致性训练来提升半监督 2D 人体姿势估计

    挖掘未标记图像的额外使用能够有效地提高 2D 人体姿态估计器的准确性，通过数据增强和一致性训练方法，我们提出了一种简洁紧凑的半监督学习方法，与先前的方法相媲美，并在公共数据集中带来了显著的改进。

    Feb, 2024

  • 自监督三维人体姿态估计的不确定性自适应

    本文研究了基于单目视觉技术的 3D 人体姿势估计问题，提出利用无监督域自适应方法，引入包含两个输出头的 MRP-Net 网络，利用预测不确定性实现模型适应和泛化，并取得了在各项基准测试中的最优性能。

    Mar, 2022

  • 自适应关键点屏蔽的半监督 2D 人体姿态估计

    人体姿势估计是计算机视觉中的基本且具有挑战性的任务。本文提出了一种自适应关键点遮罩方法和双分支数据增广方案，用于改进半监督姿势估计的准确性和泛化能力，超过了现有的半监督姿势估计方法。

    Apr, 2024

  • 深度方向统计学：带有不确定性量化的姿态估计

    本文提出一种新颖的概率深度学习模型，通过使用 von Mises 分布预测物体位姿角度的分布，可用于不确定性量化，同时在不同质量的图像下也有较强的鲁棒性，经实验证明其具有竞争力的精度和预测能力。

    May, 2018