- LESEN: 基于多参数 MRI 的视觉通道分割的标签高效深度学习
本研究提出了一种在有限标注样本情况下,结合自我集成和有监督 / 无监督损失的标签高效深度学习方法,从而在综合分析临床和研究环境中推动多模态视觉通路分割的性能。
- 基于监督和自组织的上下文学习任务表现和模型校准
探索了标准的有监督微调(SFT)和上下文学习(ICL)两种方法在低资源环境中存在的过度自信和误校准问题,提出了使用自我集成技术来增强预测校准性和性能,为选择学习范式以及如何提升大语言模型的任务性能和校准性提供了具体指导。
- ACL面向不确定性的引导式学习,用于远程监督数据上的联合抽取
提出使用不确定性感知引导的自我集成方法,令模型在远程监督数据中更准确地提取有歧义或嘈杂标签的实体对及其关系,实验证明其有效性和优于现有基线的性能。
- SE-ORNet:自我集成方向感知网络,用于无监督点云形状对应
提出一种自我集成的有方向性网络 (称为 SE-ORNet),用于解决无监督点云形状对应的难题,能够对齐点云对的方向,有效减轻对称部分的误差预测,同时还采用了自我集成框架,通过数据增强和预测一致性的约束,克服了点云噪声的干扰,实验结果表明,该 - 回到源头:扩散驱动的测试时适应
该研究提出了一种基于扩散生成模型的测试时间自适应方法(DDA),该方法可在不重新训练模型的情况下通过对输入数据进行自适应来提高模型在移位目标数据上的准确性,并在 ImageNet-C 基准测试中展现了更加鲁棒的表现。
- CVPRSE-SSD:基于点云的自集成单阶段目标检测器
SE-SSD 是一种有效的基于单级检测器的自组装方法,可以准确地检测外部点云中的三维物体,并使用软和硬目标的约束来联合优化模型,最终达到比所有先前已发表作品更好的性能。
- 自适应、自洽的自训练方法用于半监督图像分割
本文提出了一种半监督图像分割的改进方法,采用自主逐步训练方法和不同网络结构预测结果一致性及可靠性的 Generalized Jensen Shannon Divergence(JSD)损失函数,通过在在训练的不同迭代中强制模型的预测结果始终 - CVPR开放式域自适应中探索类别无关聚类
本文提出了一种用于处理源领域和目标领域中可能存在未知类别的自己集成(Self-Ensembling)方法,称为具有类别不可知聚类(Category-agnostic Clusters)的 SE-CC 模型,该模型利用聚类信息提供了与目标领域 - CVPRSESS: 自振实例半监督三维物体检测
本文提出了 SESS,一个自举半监督的 3D 物体检测框架,通过引入重构损失和三个一致性损失函数来应对缺乏标记数据的问题,该方法在 ScanNet 数据集上获得了有竞争力的性能。
- ICCV基于 GAN 数据增强的自我集成在语义分割领域适应中的应用
这篇论文提出了一种基于自举技术和生成对抗网络的语义分割方法来解决无监督域自适应问题,其中,生成对抗网络的数据增强方法有效地帮助了域的对齐。实验表明,该方法在数据集上表现优异。
- 通过解缠和自组装在随机潜空间上进行半监督学习
本文提出了一种结合半监督学习 (Semi-supervised learning, SSL) 和无监督分化表征学习的方法来增强自我聚合算法 (self-ensembling),并以多标签分类的方式在胸部 X 光图像上进行了验证。结果表明,该 - 通过随机转换集合的鲁棒感知图像相似度
本文研究了卷积神经网络的隐藏变量作为感知相似度度量的有效性,发现自学习的感知相似度度量(LPIPS)容易受到对抗样本的攻击,但无限家族随机变换的自增强技术可以使度量鲁棒性提高,同时保持对人类判断的预测能力,并发现自增强度量空间中的 “感知凸 - 医学图像半监督分割中的变换一致自组织模型
本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术,并在多个医学图像数据集上进行了验证和表现优于其他方法。
- 自集成无监督域自适应在医学影像分割中的应用
本研究中,我们对自我集成方法进行了扩展,探讨了多个方面,证明自我集成即使在使用少量非标记数据时也能提高模型的泛化能力,从而在医学成像应用中解决了单一领域下模型泛化的问题。
- ICLR自我集成学习用于视觉领域自适应
本研究探讨自我集成用于视觉领域适应问题,并以期提出的一系列修改过的方法在具挑战性的领域适应场景中取得了最先进的结果,包括赢得了 VISDA-2017 视觉领域自适应挑战赛。
- ICLR半监督学习的时间集成
本文提出了一种用于在小部分标记的情况下训练深度神经网络的简单高效方法,采用自我模拟方案的集成预测来提高标签的未知性,从而使得在两个标准半监督学习基准测试中加快速度并实现更好的性能。