CVPRApr, 2024

BEM：长尾半监督学习的均衡和熵引导混合方法

PDF
TL;DR本文介绍了一种平衡和基于熵的混合（BEM）方法，以重新平衡长尾半监督学习中的类分布，并通过数据混合改善长尾半监督学习，实验证明 BEM 显著提高了各种长尾半监督学习框架，在多个基准测试中达到了最先进的性能。
semi-supervised learninglong-tailed semi-supervised learningdata mixing methodsclass imbalanceentropy-based learning
发现论文，激发创造
  • BMB：用于不平衡半监督学习的平衡记忆库

    提出了一种基于平衡记忆库和自适应权重机制的半监督学习框架，其可以解决长尾数据对于 SSL 任务带来的数据不平衡问题，实验结果表明该框架在多个数据集上优于现有的方法。

    May, 2023

  • 一种极为简单的半监督不平衡学习基线模型

    SimiS 是一种简单而有效的 SSL 算法，通过用伪标签补充数据以解决类别不平衡问题，在 CIFAR100-LT，FOOD101-LT 和 ImageNet127 数据集上分别相对现有方法提高了 12.8％，13.6％和 16.7％的表现。

    Nov, 2022

  • 三个头胜过一个：长尾半监督学习的互补专家

    我们提出了一种名为 CPE 的新方法，通过训练多个专家来解决长尾半监督学习中标签不平衡和未标记数据分布未知的问题，并引入 CPE 的类别批量归一化来避免特征分布不匹配造成的性能下降。在 CIFAR-10-LT、CIFAR-100-LT 和 STL-10-LT 数据集基准上，CPE 取得了最先进的性能，例如在 CIFAR-10-LT 上，与基线相比，CPE 将测试准确率提高了超过 2.22％。

    Dec, 2023

  • Breadcrumbs: 对抗平衡采样方法应用于长尾识别

    本文提出了一种基于特征空间增强的新型增强策略 EMANATE，与基于类平衡采样的对抗性增强策略 Breadcrumb 相比，EMANATE 更容易过拟合，但是 Breadcrumb 训练的分类器在三个流行的长尾识别数据集上表现出比现有解决方案更好的性能。

    May, 2021

  • 类别不平衡的半监督学习

    本文提出一种称为类别不平衡半监督学习（CISSL）的任务，介绍了现有的类别不平衡 SSL 方法，并提出了一种所谓的压抑一致性损失（SCL）的正则化方法，该方法对于类别不平衡情况具有鲁棒性，在 CISSL 环境下比传统方法表现更好。

    Feb, 2020

  • 深入探究语义规模不平衡

    本研究旨在定义和量化类别的语义规模，以测量各个类别的特征多样性，并提出了一种量化语义规模不平衡的方法，设计并实现了基于语义规模平衡的学习方法，在多个数据集上得到了优于传统方法的性能表现。

    Dec, 2022

  • 同时对一切进行对齐、蒸馏和增强以进行不平衡半监督学习

    这篇研究提出了一种名为 ADALLO 的三方案框架，可解决长尾半监督学习中的类别不平衡问题，其中包括一个灵活的分布对齐机制、一个软一致性正则化机制和一个扩展未标记集的架构。该框架在不同程度的类别不平衡，不同数量的标记数据和分布不匹配的情况下在几个基准数据集上进行了评估，并展示了在大分布不匹配的情况下提高不平衡半监督学习表现的显著成果。

    Jun, 2023

  • 探究式学习

    本文提出了一种探索性 EM 算法，在数据存在未知类别的情况下，通过探索性半监督学习方法对多分类学习方法进行改进，从而在具有种子示例的类上显著提高了性能。

    Jul, 2013

  • 面向长尾视觉识别的校准模型

    提出了两种新方法，一种是平衡取向的数据增强（Uniform Mixup），另一种是基于贝叶斯理论的 Bayes Bias，并通过理论和实验证明，这两种方法能够确保分类校准和提高性能。

    Nov, 2021

  • ABC: 辅助平衡分类器用于半监督不平衡类别学习

    本文提出了一种可扩展的类不平衡半监督学习算法，它可以有效地利用未标记的数据，同时通过引入单层的辅助平衡分类器（ABC）来缓解类别不平衡问题，并使用一种新的半监督学习技术（一致性正则化）去平衡分类器，从而在四个基准数据集上实现了最先进的性能。

    Oct, 2021