Jan, 2024

类别级别微调：在带有部分标签的多标签图像分类中抵制错误的伪标签

PDF
TL;DR提出了一种名为类别 - wise 微调（CFT）的新方法，旨在通过使用非伪标签对训练模型进行微调来减少由错误伪标签引起的模型不准确性，并且应用于不同方法和方案训练的模型上取得了令人瞩目的结果和普适性，成为分类模型开发的重要方法。
large-scale image datasetspseudo-labelscategory-wise fine-tuninggenetic algorithmclassification performance
发现论文，激发创造
  • 通过自训练增强反事实分类

    本文提出了一种基于自训练和伪标记的方法，将观察数据中的有限未见行动的结果用分类值进行插值，以模拟随机试验的结果，并解决传统监督学习不可用的问题，应用到计价、在线营销、精准医疗等领域。

    Dec, 2021

  • 迭代标签清理用于传导式和半监督式小样本学习

    本论文介绍了一种改进的算法，利用有标注数据和无标注数据的流形结构预测伪标签，在类之间平衡，并使用容量有限的分类器的损失值分布选择最干净的标签，以迭代方式改善伪标签的质量，从而在几个基准数据集上超越了现有技术结果，具有数据可用性与特征空间预处理的健壮性。

    Dec, 2020

  • 面向不平衡的大规模多标签分类与部分标注的研究

    研究了如何使用部分标签对神经网络进行训练，解决多标签分类中的标签不平衡问题，并提出了伪标注技术、新的损失函数和动态训练方案来优化模型性能。在多个公开数据集上进行了广泛实验，结果显示该方法优于现有的一些最先进方法，甚至在部分标注情况下超越了使用完整标签训练的方法。

    Jul, 2023

  • 候选伪标签学习：通过无标签数据及时调整以增强视觉 - 语言模型

    通过候选伪标签学习方法（CPL）在下游任务中使用适当的候选伪标签细调视觉 - 语言模型（VLMs），以提高 VLMs 在大量无标签数据上的 True 标签包含能力和类别平衡实例选择效果。

    Jun, 2024

  • 课程标记：重新审视半监督学习中的伪标记

    本文重新审视了伪标记的概念，提出了一种基于半监督学习的方法，通过将伪标记应用于无标签集中的样本，并利用已训练好的模型标记这些样本，然后迭代重复此过程来训练模型。本文通过实验证明，伪标记方法可以取得与现有最先进方法相媲美甚至更好的结果，并且更能抵御未知分布样本。作者指出采用学习课程原理以及在每个自我训练周期前重启模型参数是实现这一点的两个关键因素。在 CIFAR-10 数据集上，本文仅使用了 4,000 个标记样本，达到了 94.91% 的准确率，在 Imagenet-ILSVRC 数据集上，本文仅使用了 10％的标记样本，达到了 68.87％的 top-1 的准确率。

    Jan, 2020

  • 计算机视觉中的粗 - 细阶段提升极大后验概率推断

    研究了利用提升推理算法应用于计算机视觉中并开发了一种通用模板，其中采用了粗糙到精细的推理方法来提高算法的效率，成功地开发了用于立体视觉和交互式图像分割的基于提升推理算法的算法。

    Jul, 2017

  • 跨粒度少样本学习：结合视觉 - 语义元嵌入的粗 - 精伪标记

    本文提出了一种基于元学习的跨层级少样本分类方法，通过基于图像嵌入的贪心聚类来近似细粒度标注，同时引入元嵌入器使得模型可以在训练时仅观察粗略标签，并在测试时执行细粒度分类，实验结果表明该方法的有效性和鲁棒性。

    Jul, 2020

  • 分段分类映射：利用少量示例学习新类别的细粒度学习器

    本文提出了一种端到端的可训练深度网络，旨在解决少样本下的细粒度图像识别问题。该网络包括双线性特征学习模块和分类器映射模块，前者将示例图像的区分信息编码为特征向量，后者映射中间特征到新类别的决策边界。我们在三个细粒度数据集上进行了实验，结果表明该方法优于竞争基线。

    May, 2018

  • 神经网络微调的改进正则化和鲁棒性

    通过 fine-tuning 算法的正则化与 self-labeling 方法相互插值，从而提高在小数据集下的图像与文本分类表现。

    Nov, 2021

  • 具有分类标签的半监督学习

    本文提出了一种使用粗略的分类标签来训练细粒度领域图像分类器的技术，并证明在 Semi-iNat 数据集上实现了显著的性能提升，其中相对增益较大的是在细粒度标签的情况下进行训练和使用半监督学习算法 FixMatch。

    Nov, 2021