基于惩罚约束的分割网络的邻近感知校准
提出了一种类别自适应标签平滑方法(CALS),在训练过程中允许学习班级特定的乘数,通过在大规模的自适应训练中引入几种修改以量身定制它,以校准深度神经网络,综合评估和多重比较展示了所提出方法的优越性
Nov, 2022
本文提出一种基于不等式约束的 CNN 弱监督分割方法,通过引入可微分约束惩罚项,使训练过程中的非标注数据指导网络的学习,经实验证明该方法相比于先前研究的 Lagrangian 方法能够更加优化,并降低了训练过程的计算复杂度。
May, 2018
本文提出了一种新的方法来校准分割网络,考虑了不同类别和目标区域所带来的困难。具体来说,我们提出了一种将类别和区域约束融入学习目标的公式,利用多个惩罚权重来解决类别和区域差异的问题。然而,手动找到最佳的惩罚权重可能是不可行的,会阻碍优化过程。为了克服这个限制,我们提出了一种基于类别和区域自适应约束(CRaC)的方法,可以在训练过程中学习类别和区域的惩罚权重。CRaC 基于广义增广拉格朗日方法,这是一种在约束优化中广泛应用的技术。在两个流行的分割基准和两个知名的分割网络上进行的实验证明了 CRaC 相比现有方法的优势。代码可以在此链接中找到:https:// 这个网址。
Mar, 2024
本文提出了一种基于上下文的选择性标签平滑方法(CASLS),以解决训练过程中的过度拟合问题以及置信度校准问题,通过利用顺序数据中的上下文依赖性来构造混淆矩阵,并使用类特定错误率来调整平滑强度的权重,从而实现自适应校准。在场景文本识别和语音识别等序列识别任务上的实验结果表明,本文所提出的方法可以实现最先进的性能。
Mar, 2023
本文研究了分类网络在面对数据异常和对抗攻击时准确性和可校准概率分布的平衡,在探讨标签平滑正则化和标准化方法对数据泛化性和校准概率分布的影响时提出了正则化软标签的方法,将传统卷积转化为基于填充的局部卷积,以加强性能和收敛速率。
Dec, 2020
我们提出了一个名为约束卷积神经网络的方法,它使用一种新的损失函数来优化 CNN 模型输出空间上任何一组线性约束条件,并且通过大量实验得出该方法在弱监督语义图像分割任务中表现出卓越的效果。
Jun, 2015
该论文介绍了一种基于混淆惩罚的新型标签平滑技术,相较于传统方法,针对每个类别的模型混淆给予更高的重视,通过对公开可用的结直肠组织学数据集进行广泛实验,并与最先进的方法进行对比,通过可靠性图和特征空间的 t 分布随机邻居嵌入图表明了该方法的有效性。
Mar, 2024
该研究提出了一种通过使用概率网络来学习预测分布,以实现语义地图上的校准预测分布的策略,并使用对抗性训练来精炼输出,并在多分类 LIDC 数据集和注入模糊性的 Cityscapes 数据集上取得最先进结果。
Jun, 2020