ICCVNov, 2023

SSB：简单但强大的开集半监督学习性能提升基线

PDF
TL;DR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。
semi-supervised learningopen-set scenariosoutlier detectionnon-linear transformationssimple but strong baseline (ssb)
发现论文，激发创造
  • 一种极为简单的半监督不平衡学习基线模型

    SimiS 是一种简单而有效的 SSL 算法，通过用伪标签补充数据以解决类别不平衡问题，在 CIFAR100-LT，FOOD101-LT 和 ImageNet127 数据集上分别相对现有方法提高了 12.8％，13.6％和 16.7％的表现。

    Nov, 2022

  • 深度半监督学习算法的实际评估

    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

  • IOMatch: 结合内点和外点利用的简化开放集半监督学习

    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。

    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

  • 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

  • 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

  • 朝着真实的半监督学习

    本文提出一种基于伪标签的半监督学习方法，能够处理 open-world SSL 问题，并通过样本不确定性和类别分布先验知识等手段，为已知和未知类别的未标记数据生成可靠的类别分布感知型伪标签。该方法在多种常用数据集上表现良好，特别是在 CIFAR-100，ImageNet-100 和 Tiny ImageNet 数据集上的表现显著优于现有的最先进技术。

    Jul, 2022

  • 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

  • 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

  • 简单去偏置的安全半监督学习：不要害怕未标记的数据

    提出一种去偏移的方法，适用于多数深度半监督学习方法，并提供了简单的理论保证和推广误差界限，以在各种情境中提供更好的模型校准，同时说明了流行的 SSL 方法的直觉解释。

    Mar, 2022