noise transition matrix | BriefGPT

关键词noise transition matrix

搜索结果 - 7

无源域自适应中的伪标签解析
该研究针对无源领域自适应（SFDA），提出了一种通过学习噪声转移矩阵和准确预测的方法，改进了基于伪标签的 SFDA 方法，获得了在 VisDA、DomainNet 和 OfficeHome 三个领域自适应数据集上的最新成果。
PDF6 months ago
基于注释者和样本相关的转移矩阵迁移学习
该研究提出了一种使用深度神经网络建模实例和注释者依赖的标签噪声转移矩阵的方法，通过知识转移和校准来缓解挑战，确认了其在合成和真实世界的众包数据上的卓越性能。
PDFa year ago
CVPRSimT：面向域自适应语义分割的开集噪声处理
本文研究了在只有伪标记目标数据可访问的情况下，领域自适应（DA）语义分割问题。我们提出了一个单纯噪声转移矩阵（SimT）来模拟 DA 语义分割中的混合噪声分布，并设计了三种互补的正则化器，即体积正则化，锚点引导和凸保证，以近似真实 SimT
PDF2 years ago
标签噪声过渡矩阵的可识别性
本文探讨了学习嘈杂标签所需的噪声转移矩阵的可辨识性，并通过 Kruskal 的可辨识性结果表明，对于一般情况下的实例级别的问题，识别噪声转移矩阵需要多个嘈杂标签的支持，此外，我们还展示了标签噪声转移的实例依赖性与统一的认识之间的联系，并提供
PDF2 years ago
CVPR元校正：基于领域感知的无监督语义分割领域自适应元损失校正
本研究提出了一种基于元学习的元矫正框架，在无标记目标域上进行语义分割模型的无监督域自适应。通过噪声转移矩阵来模拟目标域伪标签噪声分布，建立元数据集来估计噪声转移矩阵，进而进行噪声矫正以增强模型对目标数据的泛化能力。实验结果表明该方法在三个基
PDF3 years ago
ICML利用全变差正则化从仅有噪声标签中学习噪声转移矩阵
本文提出了一种基于总变差正则化的弱监督分类方法，不需要依赖于易错的含噪类后验预测，可以同时估计噪声转移矩阵和学习分类器。实验证明该方法在基准和实际数据集上的有效性。
PDF3 years ago
标签噪声学习中锚点是否真的必不可少？
本文提出了一种基于 T-Revision 方法的学习方法，该方法可以在没有锚点的情况下有效地学习过渡矩阵，从而生成更好的分类器，实验结果表明，该方法优于当前最先进的标签噪声学习方法。
PDF5 years ago