特征空间重新归一化用于半监督学习
本文介绍了两种半监督医学图像分割的一致性正则化策略,包括频域一致性(FDC)和多粒度区域相似性一致性(MRSC),通过这些策略有效高效地利用无标签数据进行特征学习,实验结果显示我们的方法取得了显著的性能提升,并超过其他最先进的方法。
May, 2024
本文提出了一种创新的特征提取和扩增方法,利用聚类提取的内部和跨类别原型代表信息,生成各式各样的复杂变换,结合传统图像扩增用于一致性正则化损失,实验验证结果表明在小尺寸数据集上与当前先进技术相当,且可以扩展到更大的数据集,例如 CIFAR-100 和 mini-Imagenet 上取得重大进展,并在 DomainNet 上实现更好的鲁棒性。
Jul, 2020
我们提出了一种半监督领域泛化模型,通过利用有限的有标签数据和大量的无标签数据来学习领域通用特征。我们的方法在两种不同的半监督领域泛化设置中,在五个具有挑战性的基准测试中实现了一致且显著的进展。
Mar, 2024
我们探索了虚假特征对自监督学习的影响,表明常用的数据增强方法可能导致图像空间中不想要的不变性。基于这些发现,我们提出了一种方法(LateTVG),通过修剪编码器的后续层来在预训练过程中消除虚假信息,这种方法在几个基准测试中超过了基线方法,而不需要在自监督学习中使用组或标签信息。
May, 2024
提出了一种用于大规模商品推荐的多任务自监督学习(SSL)框架,通过学习商品特征的潜在关系来解决标签稀疏性问题,并通过数据增强方法提高模型泛化性能,结果表明此框架可以显著提高推荐系统的商业指标,在模型得到很少监控的情况下特别有效。
Jul, 2020
我们提出了一种轻量级通道级集成方法,用于将多个次优的伪标签有效地合并为理论上保证的无偏差和低方差的伪标签,该方法可轻松扩展到任何半监督学习框架,并在 CIFAR10/100 上显著优于现有技术,无论是在效果上还是效率上。
Mar, 2024
通过实现多种常用的 SSL 技术并在一系列实验中进行测试,研究发现简单基线方法的表现通常被低估,而 SSL 方法对标记和未标记数据的敏感性不同,当未标记数据集包含类外示例时性能可能会显著下降,因此我们提供了一个公共代码重现平台以帮助实现 SSL 技术在实际应用中的可行性。
Apr, 2018
提出了一种基于插值方法的半监督学习算法来解决使用一些标签的数据集时一致性正则化方法的性能问题,并设计了一种新型对比损失来引导学习网络嵌入样本,实现更好的边界决策能力,通过实验证明,与现有算法相比,该算法可提高分类准确率 5.3% 以上。
Feb, 2022