- SynCDR: 用合成数据训练跨领域检索模型
在跨领域检索中,我们提出了一种简单的解决方案,通过图像之间的保留类别的翻译,在不共享训练数据的情况下生成合成数据,从而提高跨领域检索模型的准确性。
- 通过学习领域感知的批归一化实现测试时域自适应
通过仅操作 BN 层以减少学习干扰和提高域知识学习,结合自我监督学习提供监督,以及使用元学习强制辅助分支与主分支目标对齐的双层优化,我们的方法在五个真实领域转移数据集上优于其他方法。
- 双结构保持图像滤波在半监督医学图像分割中的应用
提出了一种新颖的双结构保持图像滤波(DSPIF)作为半监督医学图像分割的图像级变化方法,通过在最大树和最小树表示中删除没有兄弟节点的拓扑等价节点,保留拓扑关键结构,在相互监督中应用这种滤波对半监督医学图像分割有益,并在三个基准数据集上的实验 - DreamCreature: 从想象中创造逼真的虚拟生物
通过利用未标记图像和无监督方法,DreamCreature 提出了一种新的文本生成图像模型,能够生成具有丰富结构和逼真外观的新生物种类,以促进创意应用和属性修改。
- 语义分割中的广义类别发现
通过使用基于先验知识的像素掩膜分类任务以及邻域关系引导的掩膜聚类算法,本研究提出一种能够在未标记的图像中自动发现和分割新对象类别的方法,同时为其他模型的训练提供了生成伪标签作为监督的可能性。
- ICCVFreeCOS: 自我监督学习针对斑驳和无标签图像应用于曲线对象分割
本文提出了一种自监督的曲线目标分割方法,从分形和未标注图像(FreeCOS)中学习强鲁棒性和独特特征。方法包括一个新颖的分数 - FDA 合成(FFS)模块和几何信息对齐(GIA)方法,实验表明了该方法在四个公共数据集上的性能优于现有的有监 - IJCAI从未标注的图像中发现部件并进行数据增强的小样本学习
本文介绍了一种基于元学习的方法,通过学习无标签图像的传递特征来进行 few-shot 学习,同时采用了基于部分的自监督表示学习和部分增强策略来缓解数据稀缺引起的过度拟合问题,并在 miniImageNet 和 tieredImageNet - CVPR基于数据不确定性引导的半监督目标检测多阶段学习
本文提出了基于数据不确定性引导的多阶段学习方法和图像不确定性引导简单数据选择和感兴趣区域重新加权方法,能够充分考虑不同类型的未标记图像并将不同阶段的模型集成在一起,从而使半监督目标检测器更加聚焦于更可靠的知识,实验结果表明,该方法与基线方法 - 半监督 2D 人体姿态估计中的折叠问题实证研究
该研究介绍了一种稳定半监督学习方法的做法,该方法通过相互教学的方式学习可靠的伪标签,避免了训练过程中出现的高度不平衡的类分布问题。
- 通过无监督预训练学习的图像表示包含类人偏差
本文通过研究基于大规模未标记图像数据的机器学习方法,并发现其可能对种族,性别,体重,残疾和少数种族存在的偏见和刻板印象进行了分类和嵌入,从而证明了这些模型可能会自动学习社会偏见。
- BlockGAN:从未标注的图像中学习 3D 物体感知场景表示
BlockGAN 是一种图像生成模型,可以从未标记的 2D 图像中学习具有物体感知的 3D 场景表示,并使用显式的 3D 特征来表示场景中的对象,实现了在保持图像真实性的同时,对于每个对象的 3D 姿态和身份进行控制,并学习到物体和属性方面 - ECCV自监督何时能够提高小样本学习?
通过实验和分析,研究了自监督学习对于小样本学习的有效性,证明自监督学习可以降低元学习中相对误差率 4%-27%,对元学习器有更多的改进,尤其是在训练集更小或任务更具挑战性的情况下。但在元学习和自监督学习使用的图像分布不同时,自监督学习有可能 - 图像分类的十亿级半监督学习
通过利用大量未标记的图像,本文提出了一种基于师生范式的管道来改善卷积神经网络的性能,并对我们的方法取得成功的因素提供了广泛的分析,从而为图像分类的半监督学习产生高精度模型提出了建议。
- ECCV使用部分标注数据自检索进行图像字幕生成
该论文描述了一种基于自检索模块的图像字幕生成框架,通过训练引导生成鉴别性的字幕并无需人工标注,从而提高图像字幕的性能。