- 室内 3D 物体检测的 Syn-to-Real 无监督领域自适应
本文提出了一种新颖的面向室内三维物体检测的对象层次域对齐(OHDA)框架,其中包括一种面向对象的数据增强策略以有效地使源域数据多样化,并引入了一个由对抗训练分支和伪标记分支组成的两分支自适应框架,以同时达到整体级和类别级的域对齐,通过适应结 - CLASSMix:基于自适应染色分离的对比学习与伪标签在组织病理图像分类中的应用
本研究提出了一种新的半监督分类模型,命名为 Contrastive Learning with Adaptive Stain Separation and MixUp (CLASSMix),该模型是基于适应性染色分离的苏木精和伊红染色图像的 - 半监督学习的通用奖励模型:SemiReward
提出了一种 SemiReward 半监督奖励框架,通过预测奖励分数来评估和过滤高质量伪标签,以解决在半监督学习中确认偏差问题,实现高质量标签、快速收敛和任务多样性。
- 图数据中嘈杂伪标签的深入洞察
给出伪标记策略对图学习模型的影响的深入见解,通过错误分析证明伪标记错误受伪标记阈值的置信度和多视图预测的一致性的限制,并在收敛性属性上理论上说明的基础上,提出了一种谨慎的伪标签方法,通过对置信度最高且多视图一致的样本进行伪标签,从而改进了图 - ICCV基于逻辑推导的半监督语义分割的诊断推理
通过理性诊断符号引导冲突,LogicDiag 逐步解决伪标签内的冲突,恢复错误伪标签,最终减轻错误积累问题;在三个标准半监督语义分割基准测试中证明了 LogicDiag 的有效性和广泛适用性,并突出了系统集成符号推理与统计、神经学习方法中出 - ICCV基于生成的目标结构去偏置的领域自适应
本文提出了一种名为 GeT 的方法,通过学习高质量的伪标签来学习无偏的目标嵌入分布,减轻源数据偏差并增强目标类别可辨识性,进一步通过结构相似性正则化框架缓解目标类别分布偏差并提高目标类别可辨识性,实验证明我们的方法在各种领域适应设置下均有效 - ICCV基于可靠、多样和类平衡伪标签的领域自适应三维目标检测重新探讨
本文提出了一个名为 ReDB 框架的方法,该方法用于解决多类别训练设置下的领域自适应问题,通过生成可靠、多样性和类别平衡的伪三维边界框并采用交叉领域检查和重叠边界框计数度量等方法,进一步提高了领域适应 3D 物体检测的准确性。
- 基于点监督的半监督细胞识别
本文提出了一种适用于端到端 PCR 模型的半监督点基细胞识别(SSPCR)框架,该框架利用伪标签和共同教学策略来提高细胞识别的准确性,速度和健壮性。
- 面向半监督多标签学习的类别分布感知伪标记
本文提出 Class-distribution-Aware Pseudo Labeling (CAP) 方法,通过设计基于类感知阈值的规则学习框架来控制每个类别的伪标签的数量,并约束伪标签的类别分布接近真实分布,旨在解决半监督多标签学习问题 - 面向基于图的半监督学习的伪对比学习
该论文提出了一种 Pseudo Contrastive Learning (PCL) 的通用框架,该框架通过生成可靠的对比对来解决生成高质量伪标签的问题,通过对负样本进行 dropout 来实现数据增强。 最终,实验证明该方法在五个真实世界 - 少样本情况下的联邦自然语言处理
本研究探讨了在缺乏训练样本标签的情况下,如何通过建立一种命名为 FFNLP 的系统,使用伪标注技术和提示学习技术的算法进化来实现联邦学习模型的训练,以优化移动设备自然语言处理 (NLP) 应用程序的性能。
- 实体对齐的冲突感知最优传输伪标记
本研究提出了一种基于最优传输建模的冲突感知伪标记(CPL-OT)模型,用于实现不同知识图谱之间的实体对齐,并证明其在基准数据集上比现有模型具有更好的表现。
- 基于对比领域自适应的早期虚假信息检测:以 COVID-19 为例
本文提出了一种用于早期误报检测(CANMD)的对比适应网络,它通过伪标记和标签纠正组件相结合,有效地适应了未知 COVID-19 目标领域,与现有技术相比,取得了显著的改进。
- 视觉文档理解的测试时间适应性
文章介绍了一种新的文档测试时间自适应方法,利用跨模态自监督学习和伪标记来使源域的模型适应测试时未标记的目标域,并在各种视觉文档理解任务中提升效果。
- IJCAI基于 GAN 数据合成的联合学习用于非独立同分布客户端
该研究提出了一种名为 Synthetic Data Aided Federated Learning (SDA-FL) 的新框架,通过共享人工合成数据来解决客户端数据的不独立和同分布性问题,从而提高本地模型的一致性并改善全局聚合效果。
- CVPR无标签的自学度量学习
本文提出了一种新的自学习框架用于无监督度量学习,该框架通过交替预测数据之间的类等价关系和利用预测的关系作为伪标签来学习模型。其中的算法能够有效地进行端到端的训练,因为它不需要伪标签的现成模块。通过在标准的度量学习基准上的表现,它明显优于现有 - 基于误差定位网络的半监督语义分割
本文提出了一种基于误差定位网络来解决伪标签问题的半监督语义分割方法,该方法有效地消除了训练过程中因使用伪标签带来的性能下降风险,并实现了对不精确伪标签的鲁棒性,同时具有自训练和对比学习的天然集成能力。与现有方法相比,在 PASCAL VOC - CVPROmni-DETR:利用 Transformer 的全监督全目标检测
研究使用统一结构 Omni-DETR 进行 omni-supervised 物体检测,将弱标注转化为准确的伪标注用于学习,取得了多个数据集的最优结果。
- ECCVPseCo: 半监督目标检测的伪标注和一致性训练
本文深入研究了半监督目标检测(SSOD)中的两个关键技术,即伪标记和一致性训练,并提出了针对它们的一些问题的解决方案。在 COCO 基准测试中,我们的方法 PseCo 在 1%、5%和 10%标记比下的性能分别超过了 Soft Teache - ECCV从 CLIP 中提取无标签稠密特征
本文旨在探讨 Contrastive Language-Image Pre-training (CLIP) 在像素级密集预测,特别是语义分割方面的潜力,并以 MaskCLIP 为例证明了它在无需注释和微调的情况下可以产生令人满意的分割结果。