AAAIDec, 2023

软标签选择的扩张与收缩：半监督细粒度学习

PDF
TL;DR基于类别迁移跟踪的带有置信度感知聚类的软标签选择方法提高了半监督学习中细粒度视觉分类的性能。
semi-supervised learningsslfine-grained visual classificationpseudo-labeling accuracysoft label selection with confidence-aware clustering
发现论文，激发创造
  • 基于类别感知对比半监督学习

    提出了一种名为 CCSSL 的半监督学习方法，采用类别聚类和图像对比改善模型的伪标签质量和在真实世界中的鲁棒性，并通过目标重新加权实现了干净标签学习和减少噪声标签学习。实验表明其在多个数据集上均取得了显著的性能提升。

    Mar, 2022

  • 无监督选择性标记以实现更有效的半监督学习

    本文介绍了一种基于聚类原型的无监督选择性标注方法，通过它来提高半监督学习的效率。该方法能够在没有标记数据的情况下，选择代表性和多样性数据作为标记数据，显著改进了现有的半监督学习方法的性能。

    Oct, 2021

  • 关于伪标签的辩护：一种基于不确定性的半监督学习伪标签选择框架

    本文提出一种基于不确定性的假标签选择框架，通过减少训练过程中的噪音来提高假标签的准确性，并可以生成负假标签用于多标签分类和负学习，相比于最近的半监督学习方法在 CIFAR-10、CIFAR-100、UCF-101 和 Pascal VOC 数据集上获得了很好的性能。

    Jan, 2021

  • SoftMatch: 半监督学习中解决数量 - 质量平衡问题

    本文介绍了基于样本加权统一公式的伪标签方法及其 inherent quantity-quality trade-off 问题，并提出了利用截断高斯函数对置信度加权以实现软的置信度阈值。加强了弱学习类别的利用，在图像分类、文本分类和非平衡分类等多种基准测试中都取得了显著的改进。

    Jan, 2023

  • DP-SSL: 面向用少量标注样本提升鲁棒性的半监督学习

    本文提出了一种新的半监督学习方法 DP-SSL，采用创新的数据编程（DP）方案为无标签数据生成概率标签，通过自动生成标签函数并解决不同标签之间的冲突，成功缓解了有限标签数据的问题，实验证明 DP-SSL 可以为无标签数据提供可靠标签和更好的分类性能。

    Oct, 2021

  • Dash: 带动态阈值的半监督学习

    本文介绍一种新的半监督学习框架 - Dash，该框架使用动态阈值来选择训练示例，以保证只有与标记数据相关的伪标签示例才会用于训练模型，并从非凸优化的角度理论上证明其收敛速度。实验结果也表明该方法的有效性优于当前最先进的技术。

    Sep, 2021

  • 标签并不平等：通过标签分组和协同训练增强半监督学习

    本文提出了 SemCo 方法，该方法结合标签语义和联合训练来解决半监督学习中伪标记质量差的问题，该方法在各种 SSL 任务中实现了最先进的性能，例如使用 1000 个标记的样本的 Mini-ImageNet 数据集上提高了 5.6％的准确性。

    Apr, 2021

  • 平滑伪标签

    在半监督学习中，引入了一种平滑伪标签损失函数来解决标签稀缺性带来性能不稳定的问题，并通过实验验证了其在稀缺标签情况下的显著改善。此外，还提出了一个新的基准测试，在整个数据集中随机选择标记的图像，以改进半监督学习算法的可靠性和解释性。

    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

  • 一种通道集合方法：无偏差和低方差的伪标签对半监督分类至关重要

    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