Mar, 2024

多标签类别增量学习的置信度自校准

PDF
TL;DR本文提出了一种 Confidence Self-Calibration (CSC) 方法，通过引入类增量图卷积网络进行标签关系校准，并通过最大熵正则化实现每个多标签增量的置信度自校准，从而在 MS-COCO 和 PASCAL VOC 数据集上取得了新的最佳结果，并通过我们的方法确认标签置信度的校准。
multi-label class-incremental learningpartial label challengeconfidence calibrationgraph convolutional networkmax-entropy regularization
发现论文，激发创造
  • 使用增强图卷积网络的多标签持续学习

    提出增强图卷积网络（AGCN++）并使用部分标签编码器（PLE）对多标签连续学习（MLCL）进行跨任务标签关系构建、避免灾难性遗忘等处理，实验结果表明该方法是有效的。

    Nov, 2022

  • 具有自包含置信度的网络监督图像分类

    本文提出了一种基于 Self-Contained Confidence (SCC) 的深度神经网络 (DNN) 方法，以样本的可信度为基础，将自我标记自监督损失函数和 webly 监督损失函数进行有机融合，提出了一种简单而有效的网络学习 (WSL) 框架，实验验证后将表现提升至 WebVision-1000 和 Food101-N 两个大规模 WSL 数据集的最佳水平。

    Aug, 2020

  • 多标签分类只需要正标签

    本文提出了一种名为正例与未标注多标签分类（PU-MLC）的新方法，通过在训练时直接丢弃训练集中的负标签来减少嘈杂的标签所带来的不良影响，并通过引入自适应重平衡因子和自适应温度系数来缓解标签分布中的灾难性不平衡和概率平滑问题。大量的实验证明了 PU-MLC 方法在 MS-COCO 和 PASCAL VOC 数据集上取得了显着的改进。

    Jun, 2023

  • 自训练用于类增量语义分割

    提出了一种基于自监督学习和伪标签的自训练方法，用于减轻深度神经网络在逐步学习新类任务时出现的灾难性遗忘问题，该方法不仅考虑了历史任务的知识，还利用了额外的数据提高了语义分割的性能。

    Dec, 2020

  • 自监督随机分类器用于少样本类别增量学习

    本文提出一种自我监督的随机分类器（S3C），来解决少样本类增量学习中过拟合和灾难性遗忘的问题，并在三个基准数据集上进行了广泛的评估，表明所提出的框架的有效性。

    Jul, 2023

  • 自信学习：估计数据集标签的不确定性

    本研究提出了一种基于标签质量而非模型预测的学习方法 ——Confident Learning（CL），通过对数据进行剪枝、使用概率阈值计数来估算噪声，并对样本进行排序，以提高其置信度。我们基于假设类条件噪声过程直接估算了噪声标签和无污染标签之间的联合分布，提出了一种广义 CL，它是可证明一致和实验表现优异的。我们在不同类型数据上运用 CL，包括 MNIST 数据集、Amazon 评论库、以及 ImageNet 数据集的一些子集，结果表明 CL 可以清除不同类型数据中的噪声，提高模型准确性。

    Oct, 2019

  • ProSelfLC: 用于培训强健深度神经网络的渐进式自标签修正

    该论文探讨了多种训练深度神经网络的方法，提出了一种新的端到端方法 ProSelfLC，通过增加对在训练充分时间后，且预测的熵值较低（高置信度）的标签分布的信任度来解决自我学习 (LC) 中学习者的信任度问题，同时证明重新定义有意义的低熵状态并向其优化是更好的策略，实验结果表明 ProSelfLC 在干净和噪声环境下都具有较好的效果。

    May, 2020

  • 多模态学习的校准

    该文介绍了多模态机器学习在可靠性方面的问题，通过对当前分类方法进行实证研究发现算法的可靠预测能力存在问题，因此提出了一个新的正则化技术：Calibrating Multimodal Learning 来解决问题并提高性能.

    Jun, 2023

  • 结合过去、现在和将来：一种用于分类增量学习的自监督方法

    提出了一种基于自监督学习的类增量学习框架 CPPF，具有原型聚类模块、嵌入空间保留模块和多教师蒸馏模块，该方法在 CIFAR100 和 ImageNet100 数据集上实验证明了其对自监督类增量学习性能的提升。

    Nov, 2023

  • 上下文感知选择性标签平滑以校准序列识别模型

    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