- 预测感知光泽:弱标签是否足够?
从图像中直接估计材料的感知属性是一项具有挑战性的任务,本研究通过使用强标签和弱标签的组合学习了一个低维图像可计算光泽度度量标准,提高了光泽度的预测准确性,并在减少人工标注成本的同时保持了准确性。
- 多视角视频学习:利用弱标注实现帧级感知
使用弱标签在多视角视频上训练基于视频的动作识别模型,并使用潜在嵌入来提高准确性。
- 降低标注成本的实证研究:对弱、噪音和 SAM 生成的标注在分割网络训练中的应用
通过对 11 种注释策略和 4 个数据集进行彻底的成本效益评估,我们得出结论:当注释时间有限时,准确地勾绘感兴趣的对象通常不是最佳方法,注释时间越多也是如此。在这种情况下,突出显示的注释方法是(1)具有少量顶点的基于多边形的注释,以及(2) - 一种用于机器人大规模 LiDAR 场景解析的高效框架
本文介绍了一种在有限标签情况下解决点云理解问题的通用简单框架,通过无监督区域扩展的聚类方法生成聚类,并结合地理特征相似性和语义特征相似性在弱标签监督下学习合并过度细分的聚类,以及自监督重建和数据增强优化模块引导标签在场景中语义相似点之间的传 - Segment Anything 是一个弱监督语义分割的良好伪标签生成器
本研究旨在探讨通过利用弱标签作为暗示来生成准确的分割掩码,并将其作为趋近于真实标签的伪标签来训练分割网络中的潜力。在 PASCAL VOC 2012 数据集上的实验证明了 segment-anything 可以作为良好的伪标签生成器。
- ECCV使用弱标签的域自适应语义分割
论文提出一个新框架,使用 image-level weak labels,引入了 category-wise alignment 来实现 domain adaptation 中 feature alignment 和 pseudo-labe - 从弱点中汲取力量:利用弱监督进行快速学习
本研究探讨弱监督学习的泛化特性,证明了借助弱标签可以显著加速强任务的学习速率,实现 O (1/n) 的快速率,研究结果可适用于各类任务,说明弱标签如何加速强任务的学习。
- 在弱监督下学习分离声音中的强项
本文提出了使用弱标签来训练源分离系统的目标函数和网络架构,使用声音事件分类器评估分离器的性能,并在城市环境中使用合成混合事件数据库对算法的性能进行了基准测试。
- 利用一致性正则化学习标签比例
本文提出了一种新的方法,通过引入半监督学习中的一种流行概念 - 一致性正则化,解决了标签比例学习(LLP)的问题,实现了更好的分类器表现,同时也提供了更好符合实际应用场景的非均匀背景生成和基于验证的参数选择过程。
- NIPS通过全监督学习从弱监督学习中学习
本文介绍了一种在大数据情况下使用弱标签和少量真正标注数据训练神经网络的方法,通过训练目标网络和置信网络来控制目标网络的梯度更新,从而避免使用有噪音标记的数据更新网络权重会影响目标网络模型的品质。
- 利用弱标记数据集的堆叠卷积和循环神经网络进行声音事件检测
该论文提出了一种神经网络架构和训练方案,能够预测音频记录中声音事件开始和结束时间(强标签),通过使用弱标签作为标签,网络使用卷积和递归神经网络进行训练,该方法在 155 小时的 17 种声音事件类别数据集上实现了最佳错误率 0.84 和弱标 - ICLR基于神经网络的成对约束聚类
本文介绍了一种基于神经网络的端到端聚类框架,该框架可从原始数据中推动形成聚类,且无需提前定义聚类中心,具有较好的性能且对聚类数量不敏感。
- 野外检测器发现:联合多实例和表征学习
该研究开发了一种检测器学习方法,利用弱标签和强标签的联合训练,并从带有强标签的辅助任务中传递学习到的感知表示,同时训练具有弱标签或强标签的类别的表示和检测器。