- CVPR在线测试时间适应的领域特定块选择和配对视觉伪标签
测试时间适应 (TTA) 目的在于在部署后无法访问源数据的情况下,将预训练模型调整到新的测试领域。我们提出了 DPLOT,一个简单而有效的 TTA 框架,主要包括两个组件:(1) 选择涉及特定领域特征提取的块,通过熵最小化对这些块进行训练; - RoNID: 生成可靠标签和聚类友好表示的新意图发现
通过 EM-style 方法,我们提出了一个 Robust New Intent Discovery(RoNID)框架,该框架致力于解决当前方法中存在的关于伪标签不准确和表示学习差的问题,并通过可靠的伪标签生成模块和友好的聚类表示学习模块构 - BSNet:针对 3D 实例分割的基于框标注辅助的均值教师
提出了一种用于三维实例分割的 Box-Supervised Simulation-assisted Mean Teacher (BSNet) 模型,利用伪标签和模拟样本来提高弱监督下的分割结果的质量和精度。模型包括模拟辅助教师和学生标签器, - CVPR释放无标签数据:跨视角地理定位的范例
本研究探讨了大范围视角交叉地理定位(CVGL)中无标签数据的有效利用,包括无监督和半监督设置。我们提出了一个无监督框架,其中包括交叉视角投影来指导模型检索初始伪标签,并通过利用 “完全配对的地面 - 卫星图像位于一个独特且相同场景” 的事实 - 多摄像机鸟瞰视角分割的透视线索训练框架
通过利用大量的未标记数据,本研究提出了一种新的训练框架 Perspective Cue Training (PCT),该框架使用从公开的基于大型街景数据集训练的语义分割模型生成的未标记透视图像的伪标签,并将透视图任务头应用于图像编码器,与 - IG-FIQA: 基于类内方差引导的人脸图像质量评估方法,对不准确的伪标签具有鲁棒性
IG-FIQA 是一种基于样本相对分类的面部图像质量评估方法,引入了权重参数来减轻低类内差异类别图像关联实际质量的问题,并提出了在训练中估计样本类内差异的方法,同时还采用了即时数据增强技术以提升泛化性能,实验结果显示 IG-FIQA 在多个 - ECAP:基于大规模剪切粘贴增强的无监督域自适应语义分割
在此篇研究论文中,我们提出一种名为 ECAP 的广泛剪切和粘贴策略,通过数据增强来利用可靠的伪标签,从而在无监督领域适应语义分割任务中提高性能。
- 利用全局、局部身体部位和头部流增强长期个体重新识别
本文提出了一个新的框架,有效地学习和利用全局信息和局部信息,解决了长期人物再识别中衣物变换和衣物一致情况的限制,并通过生成伪标签和训练身体部位分割模型来提取身体部位特征,实验证明了该方法优于现有的最先进方法。
- DDF: 一种新颖的双域图像融合策略用于遥感图像语义分割的无监督域自适应
该研究论文提出了一种混合训练策略和新颖的双域图像融合策略,有效利用原始图像、变换图像和中间域信息,并提出了一种伪标签区域特定权重策略,以增强伪标签的精确性。ISPRS Vaihingen 和 Potsdam 数据集上进行的广泛基准实验和消融 - 自适应分辨率的强鲁棒无监督众筹计数和定位
利用自适应分辨率 SEEM 模型和高斯混合模型,结合鲁棒损失函数和迭代生成伪标签方法,提出了一种简单而有效的无监督众数计数方法,可在无标记数据的情况下实现最佳性能,适用于无标记数据的众数计数任务。
- 基于自监督相关性的多视图聚类算法
我们提出了一个全新的基于深度学习的多视角聚类框架,通过学习有意义的融合数据表示和一致的伪标签,实现对通用数据的聚类分析任务的改进。
- 通过伪标记成员的微调增强训练数据曝光
通过对神经语言模型进行对抗性微调,以增强其对预训练数据的保留,本文介绍了一种新的攻击场景。通过使用伪标签进行生成文本的成员近似,我们证明了使用更高的成员概率进行微调能够使模型暴露训练数据增加四到八倍。
- 3D 血管分割,以最大强度投影的 2D 标注为监督
利用最大强度投影法(MIP)将 3D 卷积降维为 2D 图像进行有效注释,然后利用 2D 标签训练三维血管分割模型并生成伪标签,进一步改进分割性能。
- 基于交叉伪标签的半监督医学图像分割方法:加强和弱数据增强策略
通过数据增强和伪标签生成、筛选和改进过程的适当强调,本研究基于半监督模型 DFCPS 提出了新颖的交叉伪监督概念,将一致性学习与自训练相结合,充分利用了伪标签的多个角度,从而提高了训练多样性和模型性能。
- 类别级别微调:在带有部分标签的多标签图像分类中抵制错误的伪标签
提出了一种名为类别 - wise 微调(CFT)的新方法,旨在通过使用非伪标签对训练模型进行微调来减少由错误伪标签引起的模型不准确性,并且应用于不同方法和方案训练的模型上取得了令人瞩目的结果和普适性,成为分类模型开发的重要方法。
- AdaEmbed: 嵌入空间中的半监督领域自适应
借助未标记的数据,AdaEmbed 通过学习一个共享的嵌入空间,生成精确且统一的伪标签,从而克服了常规半监督领域适应的局限,显著提高了性能。
- MORPH:面向恶意软件检测的自动概念漂移适应
在这项研究中,我们提出了一种名为 MORPH 的有效基于伪标签的概念漂移自适应方法,特别适用于神经网络。通过对 Android 和 Windows 恶意软件数据集的广泛实验分析,我们证明了我们的方法在减轻概念漂移影响方面的功效。我们的方法在 - 多级交叉模态对齐图像聚类
我們提出了一種多層次跨模態對齊方法,通過在三個層次(即實例級別、原型級別和語義級別)建立一個更小但更好的語義空間,對跨模態預訓練模型中的對齊進行改進,以提高下游任務的性能。實驗結果清楚地表明了我們新方法的優越性。
- MM高效数据标注赋能硬件网络:一种聚类联邦半监督学习方法
在集群联邦多任务学习 (CFL) 中,针对多个用户间的非独立同分布 (non-IID) 数据的统计挑战,Clustered Federated Semi-Supervised Learning (CFSL) 应用于更真实的分层无线网络 (H - 无监督可见光 - 红外人物再识别的多记忆匹配
提出了一种用于可见 - 红外无监督人物再识别的多内存匹配框架,通过生成伪标签和建立不依赖于任何先前注释的多模态伪标签对应关系来解决该任务中的关键挑战。通过使用交叉模态聚类、多内存学习和匹配以及软聚类级对齐策略来改进现有方法的不足,提高了跨模