Apr, 2024

半监督地标检测中的自训练再思考：一种无选择的方法

PDF
TL;DR自我训练（self-training）方法在处理确认偏倚问题上具有重要作用，但在地标检测领域应用时面临着自适应选择伪标签、确定样本选择阈值和选择自训练的困难等问题。为了解决这些问题，本文提出了自我训练地标检测（STLD）方法，使用任务学习计划代替显式伪标签选择，从而达到从有信心到无信心任务逐步迁移的目的，并通过伪预训练和收缩回归两个重要组成部分实现，实验证明 STLD 在半监督和全监督设置下均优于现有方法。
发现论文，激发创造
  • 利用半监督学习改进地标定位

    本研究提出了两种技术来改善局部标记数据集中的地标定位。第一种技术是顺序多任务，利用分类或回归任务的类标签引导未标记数据的局部标记定位。第二种是基于无监督学习的方法，通过模型预测图片上的等变地标来提高地标定位，本文在两个玩具数据集和四个实际数据集上进行实验，包括手和脸部， 并在只有 5％标记图像的条件下，跑过了之前在 AFLW 数据集上的最新 state-of-the-art 算法。

    Sep, 2017

  • ST++: 自助学习在半监督语义分割中的优化

    本文提出了一种基于自训练和数据增强的半监督语义分割模型，通过选择可靠的未标注图像优化模型的性能。

    Jun, 2021

  • 增量自训练半监督学习

    本研究提出了增量自训练（IST）用于半监督学习，通过在模型稳定后处理决策边界附近的数据，优化分类器性能，并在五个数据集和两种基础模型上验证，取得了显著的识别准确率和学习速度的提升，超越了现有最先进方法三个具有挑战性的图像分类任务。

    Apr, 2024

  • 邻域正则化自训练在少标签学习中的应用

    本文提出了一种利用相似标签样本选择的自训练深度神经网络的方法，可有效降低错误伪标签产生的噪声影响，并均衡自训练过程性能提高和时间效率优化的关系。

    Jan, 2023

  • 增强自训练方法

    本文介绍了多种改进的方法以减轻自我训练管道中的确认偏差，评估了这些改进在多个数据集上的表现，证明在现有的自我训练设计选择上实现了性能增益，并研究了增强方法对未知类别的 Open Set 无标签数据的扩展性。

    Jan, 2023

  • 教师监督学生如何从部分标记图像中学习进行面部标记检测

    本文基于教师与学生之间的交互机制，利用无标签数据来生成更可靠的伪标签，有利于半监督人脸关键点检测，经过在 300-W 和 AFLW 基准测试上广泛的实验表明，教师与学生之间的交互机制有助于更好地利用无标签数据，并实现了最先进的性能。

    Aug, 2019

  • 伪标记的自动课程学习用于半监督关键点定位

    该研究采用一系列动态阈值来自动选择可靠的伪标签样本，形成一个学习课程，从而显著优于先前最先进的 SSL 方法，在六个 keypoint 本地化基准数据集上进行了广泛的实验。

    Jan, 2022

  • 基于变换不变自训练的医学图像分割领域适应

    半监督学习策略 —— 转化不变自训练（TI-ST）方法，通过评估像素级伪标签的可靠性并在自训练过程中过滤不可靠的检测，解决标签缺失和提高目标域分割性能。

    Jul, 2023

  • 自学习：一项调查

    本文介绍了二元和多类分类的自学习方法及其变体，并探讨了一些新的方法。我们评估了这些方法在不同的基准分类数据集上的表现，并提出了未来研究的思路。这是首个完整分析的经验综述。

    Feb, 2022

  • 通过概率内省进行几何稳定特征的自监督学习

    本文介绍了自监督学习在减少人工标注数据用于训练深度神经网络方面的应用，并指出了该方法对于几何定向任务，如语义匹配和部件检测的可扩展性，同时展示了自监督预训练网络在学习语义对象部件方面相较于其它预训练选项所需较少的监督，并且这种预训练对于语义对象匹配非常优秀。

    Apr, 2018