Dec, 2023

进一步推进：利用伪标签在标签稀缺的小农地区进行领域划分

PDF
TL;DR使用稀缺土地勾画伪标签进行精调模型在大范围应用中具有很好的性能，并且在缺乏标注数据的情况下，伪标签的使用可以显著提高模型的性能，尤其是在 Sub-Saharan Africa 等标注数据匮乏的地区。
transfer learningfield delineationpseudo labelsfine-tuning modelslabel-scarce settings
发现论文，激发创造
  • 卫星图像中农田边界分割的多区域迁移学习与有限标签

    通过多区域迁移学习适应目标区域的模型权重，提出了一种用于卫星图像中农田边界分割的方法，在缺乏标记数据的地区，我们的方法优于现有方法，并且多区域迁移学习显著提升了多个模型架构的性能。

    Mar, 2024

  • 非洲农田制图的弱标注

    非洲农田绘图中的高分辨率地图建立方法探讨。通过无监督对象聚类，改善现有弱标签，并将其与稀疏的人工注释结合，用于语义分割网络的训练，以便识别农田区域。实验证明了该方法改进的弱标签的效益。

    Jan, 2024

  • 可伸缩的三维物体检测的伪标记技术

    研究了使用伪标签在无监督训练中提高 3D 物体检测效率的方法，并证明伪标签训练的学生模型在一些情况下可以胜过使用更多标记样本的监督模型。

    Mar, 2021

  • 人机协作快速土地覆盖制图

    研究提出了一种将人类标注者引入模型微调系统中，以提供即时反馈的框架，实现了交互式查询模型预测结果、选择哪些数据标记并查看其对模型预测结果的影响等功能，该框架在各个领域都有应用潜力。

    Jun, 2019

  • G2L: 一种几何方法用于生成伪标签，以提高迁移学习的效果

    采用几何学算法 Cayley-Menger 行列式的 C2L 方法生成伪标签，以在转移学习中自动创建源模型，与经过广泛人类注释的 ImageNet1K 标签相比，其基本模型具有相似或更好的可转移性，从而使最终错误率降低 0.43％，其中 5 个不同数据集中的 4 个错误率减少。

    Jul, 2022

  • 伪标记中选择性的无监督多源自由领域自适应的优势

    该研究提出了一种利用信息论界限和特征对齐技术，将目标数据划分为伪标记子集和无标记子集以实现平衡的无监督域自适应方法，取得了比现有方法更好的性能表现。

    Feb, 2022

  • 运用迁移学习实现全球农作物地图

    本文使用卫星数据和深度学习方法，建立一个基于转移学习的农作物类型检测模型，成功地在韩国、法国、西班牙和荷兰等地区对水稻和大麦进行了检测。

    Nov, 2022

  • 联合语音转录和翻译：使用 Out-of-Distribution 数据进行伪标签

    本文研究使用自训练和伪标签技术，通过数据增强和过滤等手段，在语音识别中克服领域不匹配问题，从而提高了 0.6% 的音字误率和 2.2 个 BLEU 值百分点。

    Dec, 2022

  • 使用伪标签进行域自适应

    无监督领域适应的研究中，通过使用预训练网络进行多阶段伪标签优化程序，解决了无标签目标数据中的类别错位问题，证明了该简单方法在多个数据集上比复杂的最先进技术更有效。

    Feb, 2024

  • 无监督域自适应的伪标注课程

    通过基于密度的聚类算法提出伪标签课程表，通过高密度值子集进行早期训练，在后期使用低密度值的数据子集，进而改进网络生成伪标签的能力，提高模型的训练效果并实现最先进的性能

    Aug, 2019