May, 2024

半监督异常检测的记忆增强和伪标记

PDF
TL;DR在工业场景中，针对大量未标记数据和难以识别的异常问题，本研究引入了一种名为记忆增强与伪标记的新方法（MAPL），通过模拟异常样本、使用基于单分类器组合的伪标记方法以及引入记忆增强学习机制，实现了直接从输入数据识别异常区域，优化了检测的效率和实时性，在最新的 BHAD 数据集上取得了 86.2％的平均图像级 AUROC 分数，相比原始 MemSeg 模型提高了 5.1％。
发现论文，激发创造
  • 动量伪标记在半监督语音识别中的应用

    本研究提出一种名为动量伪标签的半监督语音识别方法，采用了一种在线模型与离线模型之间交互学习的策略，取得了比基准模型更好的效果。

    Jun, 2021

  • 混合伪标签用于半监督目标检测

    通过综合利用 Mixup、Mosaic 和有关实例重新采样有标签数据，本研究提出了 MixPL 方法改善伪标签方法在半监督目标检测任务中的局限性，尤其对小物体和尾部类别物体的伪标签检测，进一步提升了各种检测器的性能，创造了 Faster R-CNN、FCOS 和 DINO 在 COCO 标准和 COCO 完全数据集上的新的最优结果，且在大型模型上具有良好可扩展性，在没有额外注释的情况下，在 COCO val2017 数据集上取得了非平凡的新纪录（60.2% mAP）。

    Dec, 2023

  • MAPL: 模型无关的点对点学习

    在去中心化环境中，有效协作是一个不太被探索的领域。为了解决这个问题，我们引入了模型不可知的点对点学习（简称 MAPL），通过邻近客户之间的点对点通信，同时学习异构个人化模型和协作图。我们的实验证明了 MAPL 的有效性以及与集中式无模型对应方法的竞争性（甚至是卓越）性能，而不依赖于任何中央服务器。

    Mar, 2024

  • PLM: 针对不平衡多标签分类的部分标签遮蔽

    使用自适应估计技术估计正负样本比率，通过随机标签屏蔽技术优化训练过程，提出了一种通用的 Partial Label Masking 方法，从而平衡类别样本不均导致的性能下降问题，该方法在多标签和单标签分类数据集上，比现有方法表现更好。

    May, 2021

  • 无源归纳域自适应的双移动平均伪标签方法

    本文提出了一种名为 DMAPL 的半监督微调方法，基于移动平均的原型分类器，用于源自由归纳域适应中的标签伪造和模型微调，并在实验证明其表现优于现有方法。

    Dec, 2022

  • ACPL: 半监督医学图像分类中的反课程伪标记

    本文提出了一种反课程伪标记 (ACPL) 的半监督学习算法，它使用新技术选择信息丰富的未标记样本，改善了训练平衡性，并允许模型处理多标签和多类别问题，并通过准确的分类器集成来估计伪标签，该算法通过广泛实验在医学影像分类基准上取得了优异的效果。

    Nov, 2021

  • 面向病理图像例级预测的领域自适应多示例学习

    为了在不增加注释成本的情况下提高目标数据集的分类性能，我们提出了一种使用多实例学习和域自适应方法的流程，并提出了一种高置信度的伪标签方法来有效地结合两种方法的监督信息。我们使用为此研究创建的病理图像数据集进行了实验，并证明了所提出的方法相对于现有方法显着提高了分类性能。

    Apr, 2023

  • 自监督学习的自适应记忆网络用于无监督异常检测

    本研究提出了一种名为 AMSL 的新方法，通过自身监督学习模块和适应性记忆融合模块，增强了无监督异常检测的泛化能力，并且在四个公共基准测试集上取得了显著的性能改进。

    Jan, 2022

  • 用于稀疏标记数据分类的持久性拉普拉斯增强算法

    本文提出一种称为 PL-MBO 的代数拓扑半监督学习方法，它将持久谱图理论与经典的 MBO 方法相结合，通过一系列链复杂体和关联的简单复杂体构建一族持久拉普拉斯变换，从而实现在标记数据量较少的情况下实现良好的性能。

    May, 2023

  • MAPL: 针对视觉语言少样本提示的单模态预训练模型参数高效自适应

    MAPL 是一种有效的参数少、可复用预训练模型并利用其在多模态视觉语言领域中的强大泛化能力的方法，能够将不同模态的模型的表示空间通过对齐的图像文本数据进行轻量级映射，从而在现场学习过程中减少训练量并产生较好的性能。

    Oct, 2022