unlabeled samples | BriefGPT

关键词unlabeled samples

搜索结果 - 9

ICML重新思考引导信息以利用无标签样本：一个标签编码的视角
Unlabeled samples are utilized through label encodings to ensure both prediction discriminability and diversity in Empir
PDFa month ago
软标签 PU 学习
本文提出了一种软标签的 PU 学习方法，通过根据样本可能是正样本的概率为未标记数据分配软标签，并设计了相应的 PU 评估指标来评估其性能。实验证明了所提出方法在公共数据集和腾讯游戏的反作弊服务上的有效性。
PDF2 months ago
双视角知识增强的半监督三维物体检测
我们提出了一种名为 DPKE 的新型双视角知识丰富方法，用于半监督的三维目标检测，通过数据角度和特征角度来丰富有限的训练数据，特别是无标签数据，实验证明 DPKE 在各种标签比例条件下优于现有的最先进方法。
PDF6 months ago
ICCV半监督学习中通过样本自适应增强提高样本利用率
在该研究中，我们观察到某些未标注样本即使进行了强化，仍然能够以高置信度被正确分类，造成接近零的损失。为了进一步优化半监督学习模型，我们强调了关注这些已经学得很好的未标注样本，通过更多样的增强方式进行增强。为此，我们提出了样本自适应增强（SA
PDF10 months ago
DiffUCD: 基于语义相关扩散模型的非监督高光谱图像变化检测
本文介绍了一种基于扩散模型的远程感知高光谱图像变化检测方法，结合语义相关性扩散模型和交叉时序对比学习机制，利用丰富的未标定样本获得不变的光谱差异特征在三个数据集上的实验表明，该方法在准确性、kappa 系数和 F1 值等方面都优于最先进的无
PDFa year ago
ICCV主动学习的影响力选择
本文提出了影响力选择主动学习（ISAL）方法，通过设计 Untrained Unlabeled 样本影响力计算（UUIC）来估计未标记样本的期望梯度以计算其影响力，证明了 UUIC 的有效性，并在不同数据集、不同任务的不同主动学习设置中实现
PDF3 years ago
IJCAI远程学习：重新思考有限监督下的广义零样本学习
本文提出了基于产品专家公式和 A UD 模块的零样本和少量样本归纳学习框架，利用来自非数据类的未标记采样来提高任意数量学习的泛化能力，并证明了该模型适用于有限监督场景下的广义零样本模型。
PDF3 years ago
半监督元学习实现领域泛化
本文提出了一种称为 DGSML 的方法，它结合了元学习的情节训练和半监督学习，利用基于熵的伪标签方法为无标签样本分配标签，并利用新的差异性损失和对齐损失实现域不变表示的学习，进而提高领域泛化能力。实验结果表明，DGSML 优于现有领域泛化和
PDF4 years ago
任意损失和模型的多补充、无标签学习
本文提出了一种名为补充标签学习的弱监督学习框架，能从任意数量的补充标签和无标签样本中进行无偏估计的分类风险，并能使用任意损失函数和模型进行训练，同时通过实验验证了该方法的有效性。
PDF4 years ago