智能地利用开放数据的强韧半监督学习

May, 2024

智能地利用开放数据的强韧半监督学习

Robust Semi-supervised Learning by Wisely Leveraging Open-set Data

Yang Yang, Nan Jiang, Yi Xu, De-Chuan Zhan

TL;DR通过学习理论的角度，我们提出了一种智能选择开放数据集的半监督学习框架 WiseOpen，通过基于梯度方差的选择机制选择友好子集来提高模型的 ID 分类能力，并且提出了两个实际变体 WiseOpen 通过采用低频率更新和基于损失的选择来降低计算开销，广泛实验证明 WiseOpen 的有效性超过了现有技术水平。

Abstract

open-set semi-supervised learning (OSSL) holds a realistic setting that unlabeled data may come from classes unseen in the labeled set, i.e., out-of-distribution (OOD) data, which could cause performance degradation in conventional SSL models. To handle this issue, except for the tradi

open-set semi-supervised learning ood data ood detection module open-set data selection strategy wiseopen

发现论文，激发创造

一种用于开放集半监督学习的多任务课程框架

本文提出了一种多任务课程学习框架，旨在解决开放集合 SSL 中的未知样本问题，通过同时训练模型的正常分类能力和未知样本的检测能力，成功地消除了未知样本的影响。

Jul, 2020

未标记数据的开放集半监督学习中的探索和利用

本文探讨半监督学习中的开放集问题，提出了基于原型的聚类和识别算法以及基于重要性采样的方法，针对多项挑战性基准测试取得最优成果。

Jun, 2023

OpenCoS：用于处理开放集未标记数据的对比半监督学习

本文提出了一个基于自我监督视觉表征学习框架的 OpenCoS 框架，可以处理开放式半监督学习的情况，通过利用伪标签和软标签来解决现有半监督方法中的失效问题，并通过大量的实验证明了其有效性。

Jun, 2021

垃圾变宝藏：通过跨模态匹配收集 OOD 数据，用于开放式半监督学习

本文提出了一种新的开放式半监督学习方法，通过预热训练、交叉模态匹配等手段，在不将数据集中的 OOD 样本完全过滤掉的前提下，实现了更好的特征学习并判断 OOD 样本，取得了比现有技术更优的性能。

Aug, 2021

基于半监督开放集的三维点云理解学习

本研究提出了一种基于样本加权的半监督 3D 点云学习方法，通过双层优化框架估计权重并引入三种正则化技术，提高了模型的稳定性和准确性。实验结果表明该方法在 3D 点云分类和分割任务中具有有效性和可行性。

May, 2022

重新思考开放世界半监督学习：分布不匹配和归纳推理

该研究通过解决开放世界半监督学习中的假设假设和评估方法的问题，以扩展实用的开放世界半监督学习。

May, 2024

在线开放式半监督物体检测：基于半监督异常点过滤的方法

本文提出了一种新的端到端在线架构来改进和提高开放集装箱半监督目标检测的性能和效率，并在 COCO 数据集上取得了最佳表现。

May, 2023

OpenMatch: 半监督学习的开集一致性规则化处理技术，适用于带有离群数据

本文提出了一种称为 OpenMatch 的开放集半监督学习方法，该方法利用 novelty detection 基于 one-vs-all classifiers 来拒绝处理 unlabeled data 中的离群值，同时引入了开放集软一致性正则化损失来增强 OVA-classifier 对于输入变换的平滑性，并在三个数据集上实现了最先进的性能。

May, 2021

少样本零样本情境中的半监督学习

我们通过引入额外的熵损失构建了一个分类器，用于对来自已知和未知类别的数据进行分类，从而改进了现有的半监督学习方法在已知和未知类别的分类中的表现。通过在 CIFAR-100 和 STL-10 两个基准图像分类数据集上的实验证明，我们相对于现有的 SSL、开放集合 SSL 和开放世界 SSL 方法取得了巨大的改进。当标记数据非常有限（每个类别 1-25 个标记示例）时，进步最为显著。

Aug, 2023

朝着真实的半监督学习

本文提出一种基于伪标签的半监督学习方法，能够处理 open-world SSL 问题，并通过样本不确定性和类别分布先验知识等手段，为已知和未知类别的未标记数据生成可靠的类别分布感知型伪标签。该方法在多种常用数据集上表现良好，特别是在 CIFAR-100，ImageNet-100 和 Tiny ImageNet 数据集上的表现显著优于现有的最先进技术。

Jul, 2022