- CLIP 引导的无源目标检测在航空图像中
我们提出了一种新颖的无源物体检测(SFOD)方法,利用对比式语言 - 图像预训练(CLIP)引导生成伪标签进行自我训练,以实现在领域适应中的准确学习。实验结果表明,我们的方法优于其他比较算法。
- 针对长尾半监督学习的不确定性感知采样
基于不确定性感知的动态阈值选择 (UDTS) 方法解决了半监督学习中类别不平衡的问题,通过引入模型预测的不确定性来调整伪标签选择阈值,提高了模型在长尾类别上的准确性。
- ACL小标记和大无标记集合下的神经网络抵抗(以及支持)自训练:分类
我们提出了一种基于神经网络的半监督文本分类器,利用自训练的正负属性。为了解决自训练中的语义漂移问题,我们重新定义了伪标签的角色并构建了一个层次化的信息结构。此外,我们还提出了一种混合度量方法来代替简单的置信度测量,以克服神经网络输出的欠校准 - AAAI不平衡半监督学习的两次类别偏差校正
通过引入一种名为 TCBC 的新方法,我们解决了传统半监督学习中的两个挑战:训练样本的不平衡分布导致模型偏向某些类别,以及未标记样本的分布未知且可能与已标记样本不同,在训练过程中进一步导致偏向类别的伪标签。我们通过利用参与训练样本的类别分布 - AAAI三个头胜过一个:长尾半监督学习的互补专家
我们提出了一种名为 CPE 的新方法,通过训练多个专家来解决长尾半监督学习中标签不平衡和未标记数据分布未知的问题,并引入 CPE 的类别批量归一化来避免特征分布不匹配造成的性能下降。在 CIFAR-10-LT、CIFAR-100-LT 和 - SSFlowNet: 基于伪标签的点云半监督场景流预测
SSFlowNet 是一种半监督的场景流估计方法,通过混合有标签和无标签的数据,优化标签成本和模型训练精度之间的平衡,主要通过创新地使用伪标签降低对大量标记数据的依赖,并强调点云的几何结构以及引入空间记忆特征来学习顺序时间帧上点之间的几何关 - 自监督检测完全和部分输入相关的对称性
本文介绍了一种能够自动检测输入每个元素的对称性水平的方法,并通过学习对称性的分布生成伪标签,从而在无监督学习中学习每个输入的对称性水平。该方法在合成数据集上进行了验证,证明了其在生成无对称性数据集以及检测推理期间的非同分布对称性方面的实际应 - 非所有面都平等:半监督 3D 目标检测的定位不确定性估计
用于半监督三维物体检测的侧面感知框架,通过三个关键设计(三维边界框参数化方法、不确定性估计模块和伪标签选择策略)共同工作,显式地估计每个侧面的定位质量并在训练阶段分配不同级别的重要性,实验证明这种方法能在不同场景和评估指标下始终优于基准模型 - CLAF:增强特征的对比学习用于不平衡的半监督学习
通过引入增强特征的对比学习方法(CLAF),克服了不平衡数据对伪标签的偏见,从而提高了半监督学习中的对比学习的效果。
- DGNet: 动态梯度引导网络与噪声抑制方法用于水下图像增强
利用预测图像动态更新伪标签,将动态梯度添加到优化网络的梯度空间,通过特征恢复与重建模块和频率域平滑模块降低各种类型噪声对网络性能的影响,实现了在水下图像增强方面的显著优势。
- SemiSAM:探索 SAM 以提升极少标注的半监督医学图像分割
通过将 Segment Anything Model (SAM) 的伪标签作为辅助来增强半监督医学图像分割的学习过程,能够显著提升现有的半监督框架在极为有限的标注图像情况下的性能。
- 您需要多少验证标签?探索标签效率模型排序的设计空间
通过使用 LEM 框架,我们在各种选择度量标准的基础上进行了系统研究,证明 LEMR 能够以很小的标注预算达到与完全标注数据集相当的结果,从而在弱监督和半监督学习设置中节约标注成本,并有效地指导大型语言模型的提示选择。
- 解决无源无监督视频域自适应的标签噪声问题
使用自主训练、伪标签、微调和师生框架等方法,这篇论文提出了解决视频领域适应性问题的方法,以在没有源数据的情况下实现源无关自适应,并取得了领先的实验结果。
- 语言条件的检测变压器
我们提出了一个新的开放词汇检测框架 DECOLA,该框架使用语言条件下的物体检测器和伪标签来实现零样本性能。
- ADM-Loc: 动作分布建模的点监督时序动作定位
该论文提出了一种名为 ADM-Loc 的新框架,用于点监督的动作定位,通过对动作分类信号进行高斯和均匀分布的组合拟合来生成动作提案,从而对生成的动作提案与真实动作实例之间的对齐提供显著增强,并在 THUMOS14 和 ActivityNet - 短文本聚类的联邦学习
本文提出了一种面向分布式短文本聚类的联邦鲁棒短文本聚类(FSTC)框架,该框架通过创新地将最优输运与高斯 - 均匀混合模型相结合,旨在以有效的数据训练模型并确保伪有监督数据的可靠性,在客户端间以高效的方式交换知识而不共享原始数据,从而显著优 - 物理知情的神经运算符是否能够自我改善?
本研究探索了在求解偏微分方程组(如神经算子)中应用自训练技术的可行性,通过使用自训练技术,四尔叶神经算子(FNO)仅通过物理损失的训练就取得了比同时使用数据和物理损失训练的情况下在 Burgers 和 Darcy 方程中更好的结果,此外,我 - SAM4UDASS: 当 SAM 与无监督领域自适应语义分割相遇于智能车辆中
SAM4UDASS 是一种新颖方法,通过将 Segment Anything Model(SAM)与自训练的无监督域自适应方法相结合,用于改进伪标签和解决类别不平衡问题,在驾驶场景中实现语义分割,并与现有自训练的无监督域自适应方法无缝衔接。 - 通过自监督对比学习利用无标签数据进行三维医学图像分割
我们提出了一种使用两个不同子网络来探索和利用它们之间差异的方法,最终纠正错误的预测结果,通过有针对性的验证训练过程识别不一致预测的区域并进行微调,从而提高上下文信息的利用;此外,为了自适应地调整网络的表示能力并降低预测不确定性,我们采用了自 - CastDet: 以 CLIP 激活的师生学习实现开放词汇空中目标检测
本文研究了在航拍图像中的物体检测问题,提出了一种使用 CLIP 激活的学生 - 教师模型的开放词汇物体检测框架,通过同时生成高质量的候选区域和伪标签来提高新物体的检测性能。