semi-supervised 第3页

【论文阅读】《A multi-scheme semi-supervised regression approach》

《Amulti-schemesemi-supervisedregressionapproach》1.摘要OurcontributionthroughthisworkistheproposalofaMulti-schemeSemi-supervisedregressionapproach(MSSRA)thatexaminessomewell-deﬁnedconditionsabouttheoutpu

来日可期1314·2022-12-28 08:04

阅读笔记 MulDA: DAGA向多语言方向的拓展

OurMultilingualDataAugmentationFramework1、LabeledSequenceTranslation2、SyntheticDataGenerationwithLanguageModels3、Semi-supervised

lunat:c·2022-12-27 18:51

语义分割联合边缘检测的多任务学习思路总结

简述2020二维图像语义分割的热点方向是域自适应语义分割(DomainAdaptiveSemanticSegmentation)，半监督/弱监督语义分割(Semi-Supervised/Weakly-SupervisedSemanticSegmentation

小天要奔跑·2022-12-26 04:48

GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training阅读笔记

GANomaly:Semi-SupervisedAnomalyDetectionviaAdversarialTraining阅读笔记Abstract异常检测任务，就是当数据集由于另一类（异常）的样本量不足而高度偏向一类（正常）时，从异常中确定正常数据。由于异常情况的类别不可知同时数量较少等问题，导致有监督的分类学习问题不容易解决。所以引入半监督的学习方式。半监督的学习方式：数据集只有正常类，测试集

给个编制·2022-12-25 17:27

论文阅读笔记--3D human pose estimation in video with temporal convolutions and semi-supervised training -1

前言读了一篇利用视频做姿态估计的比较经典的论文,3Dhumanposeestimationinvideowithtemporalconvolutionsandsemi-supervisedtraining.论文地址:https://arxiv.org/pdf/1811.11742.pdfCVPR2019收录论文简单对论文的内容做一些自己的学习笔记,然后再补充对于论文项目代码的笔记.基于Video实

零壹博弈·2022-12-23 18:04

SSL论文笔记：FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence

文章目录AbstractionFixMatchAlgorithmAugmentationAdditionalimportantfactorsRelatedworkExperimentsCIFAR10/100,SVNHBarelysupervisedlearningAblationSharpeningandThresholdingAugmentationstrategyOthersAbstracti

weixin_39901859·2022-12-21 21:45

FixMatch Simplifying Semi-Supervised Learning with Consistency and Confidence

FixMatchSimplifyingSemi-SupervisedLearningwithConsistencyandConfidence作者：KihyukSohn∗DavidBerthelot∗Chun-LiangLiZizhaoZhangNicholasCarliniEkinD.CubukAlexKurakinHanZhangColinRaffel机构：GoogleResearch出处：ar

Harrylin、·2022-12-21 21:45

paper总结（5）FixMatch: Simplifying Semi-Supervised Learningwith Consistency and Confidence

半监督学习（Semi-supervisedlearning）是一种学习方法，其使用少量标记的数据和大量未标记的数据进行学习。半监督学习的关键是如何从未标记的数据中获取teachersignal。使用模型将预测值作为临时标签似乎很常见。最受欢迎的伪标签方法，仅使用对预测具有最高置信度的预测标签进行标记。但是，最初没有标签，因此不知道是否可以相信这些label。因此，存在一种称为一致性正则化的方法，该

miss9785·2022-12-21 21:43

[论文阅读] FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence

[论文地址][代码][NeurIPS2020]Abstract半监督学习(SSL)提供了一种有效的手段，可以利用未标记的数据来提高模型的性能。这一领域最近取得了快速进展，但代价是需要更复杂的方法。在本文中，我们提出了FixMatch，这是一种对现有SSL方法进行了显著简化的算法。FixMatch首先使用模型对弱增强的无标签图像的预测来生成伪标签。对于一个给定的图像，只有在模型产生高置信度预测的情况

xiongxyowo·2022-12-21 21:40

Nips20 - 半监督图像分类代表作 FixMatch《Simplifying Semi-Supervised Learning with Consistency and Confidence》

文章目录原文及参考初识相知回顾原文及参考原文地址：直接点我就能跳转初识作者认为，当前主流的半监督学习方法(semi-supervisedlearning,SSL)都可以归结于：在无label数据上构造人为标签。比如伪标签(也叫self-training)，使用模型的预测作为label再次进行训练；一致性约束，对输入和模型进行随机扰动（增广/dropout）后的输出结果作为人为标签（希望两者趋于一致

我是大黄同学呀·2022-12-21 21:10

类感知对比半监督学习(Class-Aware Contrastive Semi-Supervised Learning)论文阅读笔记

文献地址：论文链接，Github代码：Github链接1研究背景现有基于伪标签的半监督学习方法存在的问题：伪标签→存在确认偏差（ConfirmationBias）分布外噪声数据→影响模型的判别能力是否存在一种通用增益方法，可适用于各基于伪标签的半监督方法？MixMatch[1](NIPS,2019)：数据Mixup→预测锐化（Sharpen）FixMatch[2](NIPS,2020)：置信度阈值

Remoa·2022-12-21 21:33

半监督学习——FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence

论文：https://arxiv.org/abs/2001.07685代码：https://github.com/google-research/fixmatch1.论文题目与摘要FixMatch:SimplifyingSemi-SupervisedLearningwithConsistencyandConfidence摘要：半监督学习有效的利用没有标注的数据，从而提高模型的精度。这篇论文，我们将

CV-deeplearning·2022-12-21 21:32

FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence

FixMatch:SimplifyingSemi-SupervisedLearningwithConsistencyandConfidence,NIPS,2020要点：1、首先，基于“弱增强的未标记样本的模型预测”生成伪标签；接着，对于给定的样本，只有模型预测的置信度高时，伪标签才会被再训练；最后，通过输入同一样本的强增强版本进行伪标签预测的训练；2、SSL方法：为未标记图像生成一个人工标签，并将

nightluo·2022-12-21 21:00

Semi-supervised medical image segmentation via learning consistency under transformations.

Bortsova,Gerda,etal.“Semi-supervisedmedicalimagesegmentationvialearningconsistencyundertransformations.”InternationalConferenceonMedicalImageComputingandComputer-AssistedIntervention.Springer,Cham,201

爱格白·2022-12-17 22:41

Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation

2021IEEETransactionsonMedicalImaging(TMI)语义分割、医学图像分割论文目录前言一、主要亮点二、理论方法1.ProblemAnalysis1.1twocost-sensitivesettings1.2CertainregionandUncertainregion2.网络框架2.1mainframeworkofCoraNet2.2Certainty-awarePr

LANG_C_·2022-12-17 22:40

【论文精读】Semi-supervised Medical Image Segmentation through Dual-task Consistency

语义分割论文CVPR2021基于双任务一致性的半监督医学图像分割代码：GitHub-HiLab-git/DTC:Semi-supervisedMedicalImageSegmentationthroughDual-taskConsistency目录语义分割论文摘要一、主要亮点二、网络结构1.Dual-taskConsistency2.Semi-supervisedtrainingthroughDu

LANG_C_·2022-12-17 22:10

【CVPR2020】Semi-Supervised Semantic Image Segmentation with Self-correcting Networks

Abstract摘要Introduction介绍Method方法AncillarySegmentationModel辅助分割模型Self-correctionmodule自校正模块Noself-correctionmodule无自校正模块Linearself-correctionmodule线性自校正模块Convolutionalself-correctionmodule卷积自校正模块Experi

PRIS-SCMonkey·2022-12-17 22:09

Bi-Modality Medical Image Synthesis Using Semi-Supervised Sequential Generative Adversarial Networks

Bi-ModalityMedicalImageSynthesisUsingSemi-SupervisedSequentialGenerativeAdversarialNetworks论文阅读中的问题和思考1.有监督的串行GAN网络结构在图示的网络结果中，G1的输入是真实图像编码后的结果，而非直接输入真实图像。这个应该是VAE(VariationalAutoencoder,变分自动编码器)和GAN的

liyiersan123·2022-12-17 22:39

《Semi-supervised Medical Image Segmentation Using Cross-Model Pseudo-Supervision with Shape Awarene》

论文解读《Semi-supervisedMedicalImageSegmentationUsingCross-ModelPseudo-SupervisionwithShapeAwarenessandLocalContextConstraints》《半监督医学图像使用跨模型的分割伪监督与形状意识和局部语义约束》论文地址：论文地址论文出处：MICCAI2022论文代码：代码链接一、摘要：（1）在半监督

渔歌畅晚·2022-12-17 22:08

论文解读《Semi-supervised Contrastive Learning for Label-efficient Medical Image Segmentation》

论文解读《半监督对比学习高效标签的医学图像分割》期刊名：MICCAI2021代码：代码地址论文地址：论文地址一、摘要：1）深度学习在医学图像分割中，依赖标注数据的监督训练。2）生物医学图像的注释需要该领域知识。3）对比学习学习数据（不带标签）有利于隐藏层特征提取。4）预训练处理部分标签信息，监督局部对比损失，相同标签的像素聚集在嵌入空间（embeddingspace）周围。5）计算损失需要像素级的

渔歌畅晚·2022-12-17 22:07

《论文阅读》FocalMix: Semi-Supervised Learning for 3D Medical Image Detection

留个笔记自用FocalMix:Semi-SupervisedLearningfor3DMedicalImageDetection做什么3D医学图像分割，也是传统应用了，就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，图中的一个个橙色和蓝色的框称为锚框，常用不同大小的锚框来进行对目标位置的检测（即每个锚框代表是正样本还是负样本）做了什么目标检测中常见的预测情况下正样本的锚

未知丶丶·2022-12-17 22:06

[论文阅读] Multi-task Attention-Based Semi-supervised Learning for Medical Image Segmentation

[论文地址][代码][MICCAI19]Abstract我们提出了一种新型的半监督图像分割方法，它同时优化了监督分割和无监督重建目标。重建目标使用一种注意力机制，将对应于不同类别的图像区域的重建分开。所提出的方法在两个应用中进行了评估：脑瘤和白质超密集区的分割。我们的方法在未标记的和少量标记的图像上进行训练，其表现优于用相同数量的图像训练的有监督的CNN和在未标记的数据上预训练的CNN。在消融实验

xiongxyowo·2022-12-17 22:36

翻译：Semi-supervised Medical Image Segmentation through Dual-task Consistency

Semi-supervisedMedicalImageSegmentationthroughDual-taskConsistency（基于双任务一致性的半监督医学图像分割）文献：Semi-supervisedMedicalImageSegmentationthroughDual-taskConsistency主题：Semi-supervised

阿里云小仙女·2022-12-17 22:06

[论文阅读] BoostMIS: Boosting Medical Image Semi-supervised Learning with Adaptive Pseudo Labeling

[论文地址][代码][CVPR22]部分描述可能不准确，详见本文评论区Abstract在本文中，我们提出了一个名为BoostMIS的新型半监督学习(SSL)框架，它结合了自适应伪标签和信息性主动注释，以释放医学图像SSL模型的潜力：(1)BoostMIS可以根据当前的学习状态，自适应地利用集群假设和未标记数据的一致性规范化。这一策略可以自适应地生成由任务模型预测转换而来的单次"硬"标签，以更好地进

xiongxyowo·2022-12-17 22:04

读《A survey on semi-supervised learning》（二）

4包装方法包装方法是半监督学习中最古老和最广为人知的算法之一（Zhu，2008）。他们利用一个或多个有监督的基础学习器，用原始标记数据和先前未标记的数据迭代训练这些数据，这些数据是用来自学习器早期迭代的预测增强的。后者通常被称为伪标签数据。该程序通常包括训练和伪标记两个交替的步骤。在训练步骤中，一个或多个有监督的分类器在标记的数据上训练，也可能是以前迭代的伪标记数据。在伪标签步骤中，生成的分类器用

Ritannn·2022-12-15 09:13

【研一小白论文精读】《Big Self-Supervised Models are Strong Semi-Supervised Learners》

【研一小白论文精读】研一已经开学了，距离上一次自己写博客也有一段时间了，上一次写的博客我自己看简直又臭又长，这次是第二次，也不知道能不能做出一些改变。首先声明，我自己仍然是一个学术小白，理论基础极差，代码能力也几乎没有，更没有任何部署项目代码的能力，英语水平更是拉跨，本科毕业前六级飘过考研英语二70，面对这种纯英文的专业学术论文更是无从下手。那有人就要问了，你这么捞为啥上来就要读英语论文呢？我的导

Titus W·2022-12-14 05:09

【菜鸡读论文】Margin-Mix: Semi-Supervised Learning for Face Expression Recognition

【菜鸡读论文】Margin-Mix:Semi-SupervisedLearningforFaceExpressionRecognition感觉最近的每天都在见证历史，上海现在也开始全面放开了，很多高校都已经开始遣返了。小伙伴们都回到家了吗？上周周末太懒了，就没有更新论文，今天周一来补上。这篇文章讲的就是基于本监督方法来学习表情识别。我们先总体概括一下：我们希望深度学习模型具有很好的嵌入表示能力，因

猫头丁·2022-12-13 21:33

【论文阅读】Semi-supervised classification with graph convolutional networks

论文地址：[1609.02907]Semi-SupervisedClassificationwithGraphConvolutionalNetworks(arxiv.org)引言图神经网络GCN旨在解决的问题是“图中节点的分类问题，且数据集只有一小部分的节点有标签”，称之为“graph-basedsemi-supervisedlearning”。这类问题在GCN之前的一种解决方法用如下公式表示：这

野生的野蛮人·2022-12-09 11:27

论文解读6——Semi-Supervised Classification With Graph Convolutional Networks（GCN）

目录1、文章贡献2、数学理论2.1图2.2邻接矩阵2.3度矩阵2.4拉普拉斯矩阵2.5图傅里叶变换3、GCN算法原理4、实验5、GCN局限最近想学习一下图神经网络，发现了这篇关于图卷积的文献，初读的时候发现里面涉及了很多没学过的数学理论，于是又去恶补了一下度矩阵、邻接矩阵、拉普拉斯矩阵、图傅里叶变换、谱图理论到底是什么东西，把能看懂的部分整理如下1、文章贡献提出了一种基于图结构的半监督学习方法GC

对流层的酱猪肘·2022-12-09 11:27

【图卷积网络】Semi-Supervised Classification with Graph Convolutional Networks

论文：Semi-SupervisedClassificationwithGraphConvolutionalNetworks代码：TensorFlow、PyTorch摘要我们提出了一种基于图的结构化数据的半监督学习的可扩展方法，该网络是传统卷积算法在图结构数据上的一个变体，可以直接用于处理图结构数据。GCN是谱图卷积（spectralgraphconvolution）的局部一阶近似（localiz

gkm0120·2022-12-09 11:56

文章综述——SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

一、代码1.代码下载：https://github.com/tkipf/pygcn代码运行方式：1）cmd安装：pythonsetup.pyinstall（作用是作者ThomasKipf已经将写好图卷积网络gcn做成了安装包，安装在python目录下的lib）2）cmd运行：pythontrain.py注PyTorch0.4or0.5Python2.7or3.6代码运行结果：2.代码详解1）tra

欧神仙crossover·2022-12-09 11:55

Semi-supervised classification with graph convolutional networks

研究意义:1、在拓扑图中可以有效的提取空间特征2、拓扑图中每个顶点的相邻顶点数目可能不同，所以不能用同样大小的卷积核进行卷积操作本文主要结构如下所示:一、Abstract提出将卷积操作应用到图上，通过图频域的近似分析来建模学习图的局部结构和结点特征。二、Introduction介绍图上结点分类的半监督问题，通过神经网络学习结点的表式，半监督定义lossfunction，提出了图上神经网络传播规则并

BUPT-WT·2022-12-09 11:54

GCN经典论文笔记：Semi-Supervised Classification with Graph Convolutional Networks

文章目录前言一、论文拟解决问题与思想二、正文1.标识概念2.快速卷积2.1谱图卷积2.2线性模型3.半监督节点分类4.实验5.结果总结前言开始进入研究生生活啦~想研究的方向是图深度学习方向，现在对图卷积神经网络GCN进行相应的了解。这篇文章就是对《Semi-SupervisedClassificationwithGraphConvolutionalNetworks》这篇发表在2017年ICLR上的

娃娃酱斯密酱·2022-12-09 11:21

论文阅读”Semi-supervised classification with graph convolutional networks“(ICLR2017)

论文标题Semi-supervisedclassificationwithgraphconvolutionalnetworks论文作者、链接作者：Kipf,ThomasNandWelling,Max链接：https://arxiv.org/abs/1609.02907代码：dgl/examples/mxnet/gcnatmaster·dmlc/dgl·GitHubIntroduction逻辑（论文

不吃香菜的zbw·2022-12-09 11:20

对于SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS的理解

SEMI-SUPERVISEDCLASSIFICATIONWITHGRAPHCONVOLUTIONALNETWORKS的理解笔记总结文章目录SEMI-SUPERVISEDCLASSIFICATIONWITHGRAPHCONVOLUTIONALNETWORKS的理解笔记总结前言必备知识：GCN（GraphConvolutionalnetwork）对于卷积核gθ的定义关于论文的2(FASTAPPROX

璐璐yao·2022-12-09 11:50

文献阅读19期：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

[文献阅读·图卷积网络]SEMI-SUPERVISEDCLASSIFICATIONWITHGRAPHCONVOLUTIONALNETWORKS[1]推荐理由：用巧妙的方法推出层与层之间的传播规则，很好地实现了半监督节点分类。1.摘要&简介本文的“半监督”，首先体现在损失函数上，加入监督损失的损失函数长这样：L=L0+λLreg\mathcal{L}=\mathcal{L}_{0}+\lambda\

RaZLeon·2022-12-09 11:48

论文笔记--Semi-Supervised Classification with Graph Convolutional Networks（GCN）

Semi-SupervisedClassificationwithGraphConvolutionalNetworksGCN，将卷积扩展到图结构的数据中，能够得到比较好的数据表示，并且在半监督任务中取得了不错的效果半监督学习：在给定的图结构的数据中，只有少部分节点是有标记的，大部分节点是未标记的。其任务就是预测出未标记节点的标签摘要提出了一个在图结构的数据中进行半监督学习的可伸缩的卷积神经网络让卷

冰羽vee9·2022-12-09 11:17

【论文阅读】SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

SEMI-SUPERVISEDCLASSIFICATIONWITHGRAPHCONVOLUTIONALNETWORKS（基于图卷积网络的半监督分类）摘要1导言2图上的快速近似卷积2.1谱图卷积2.2分层线性模型3半监督节点分类3.1例子3.2实现4相关工作4.1基于图的半监督学习4.2图上的神经网络5实验5.1数据集预备知识：【GCN】图卷积网络初探——基于图（Graph）的傅里叶变换和卷积从CN

Cziun·2022-12-09 11:15

Semi-Supervised Classification with Graph Convolutional Networks

Semi-SupervisedClassificationwithGraphConvolutionalNetworks,ICLR,2017要点：1、可扩展的半监督学习方法2、基于卷积神经网络的有效变体，直接对图进行操作3、通过谱图卷积的局部一阶近似来激励卷积架构的选择4、在图的边数上进行线性缩放，并学习同时编码局部图结构和节点特征的隐藏层表示5、在引文网络和知识图谱的数据集上进行了大量实验引言1、

nightluo·2022-12-09 11:13

复现KM3D:Monocular 3D Detection with Geometric Constraints Embedding and Semi-supervised Training

复现KM3D:Monocular3DDetectionwithGeometricConstraintsEmbeddingandSemi-supervisedTraining时间：2022年5月27日1.下载官方代码到github中，搜索KM3D找到官方代码，下载。网址如下：https://github.com/Banconxuan/RTM3D2.安装环境（install）查看install.md，

beneficial·2022-12-09 09:03

解读FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence

还是Googleresearch出品论文：https://arxiv.org/abs/2001.07685官方代码：https://github.com/google-research/fixmatch主要贡献：（A+B=C的操作）1.主要结合了pseudolabel和consistencyregularization（两种数据增强方式实现）方法。2.在cifar10利用250个标签样本实现了94

dxz_tust·2022-12-07 01:13

SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS 论文/GCN学习笔记

1前置知识：卷积与CNN该内容在论文中并没有涉及，但理解卷积和CNN对于GCN的理解有帮助，因为GCN是将CNN推广到新的数据结构：graph上面。1.1与1.2的内容均来自视频：https://www.bilibili.com/video/BV1VV411478E/?spm_id_from=333.880.my_history.page.click&vd_source=9e34c29511733

Dodo·D·Caster·2022-12-04 14:04

虚假新闻检测论文阅读（二）：Semi-Supervised Learning and Graph Neural Networks for Fake News Detection

论文标题：Semi-SupervisedLearningandGraphNeuralNetworksforFakeNewsDetection论文来源：IEEE2019#基于新闻文本、#半监督、#图结构一、文章动机1、数据标签通常非常模糊和稀疏，故选择半监督检测方法；2、图模型富有表现力，能够捕获文章之间的上下文依赖关系，从而缓解标签不足的问题。二、框架1、使用词嵌入获得文章在低维中的向量表示；2、

Quinn-ntmy·2022-12-04 10:14

《MonoRec：Semi-Supervised Dense Reconstruction in Dynamic Environments from a Single Moving Camera》

参考代码：MonoRec1.概述介绍：这篇提出了一种纯视觉的自监督深度估计算法，它结合现有实例分割、视觉里程计等视觉相关领域中相关技术，构造出这篇提出的MonoRec单目深度估计方法（在做训练的时候也采用了双目的图像作为输入）。在自监督单目深度估计网络中，一个很大的困难便是需要区分哪些像素相对相机参考系是存在运用的，这是文章引入实例分割方法得到的mask去引导并构建MaskModule去解决存在“

m_buddy·2022-12-03 09:30

【论文笔记】—低照度图像增强—Semi-Supervised—DRBN—2020-CVPR

【论文介绍】首次将半监督学习方法用于低光图像增强。【题目】：FromFidelitytoPerceptualQuality:ASemi-SupervisedApproachforLow-LightImageEnhancement【DOI】：10.1109/CVPR42600.2020.00313【会议】：2020-CVPR【作者】：WenhanYang(香港城市大学),ShiqiWang(香港城市

chaiky·2022-12-02 13:20

[半监督学习] FixMatch: Simplifying Semi-Supervised Learning with Consistency and Conﬁdence

FixMatch是对现有SSL方法的简化.FixMatch首先对弱增强的未标记图像生成伪标签,接着,对同一图像进行强增强后,再计算其预测分布,最后计算强增强的预测与伪标签之间的交叉熵损失.论文地址:FixMatch:SimplifyingSemi-SupervisedLearningwithConsistencyandConﬁdence代码地址:https://github.com/google-

码侯烧酒·2022-12-01 14:58

[半监督学习] Dual Student: Breaking the Limits of the Teacher in Semi-supervised Learning

与之前的Mean-Teacher相比,这里引入了DualStudent概念,用另一个学生代替老师.同时定义了一个新的概念:稳定样本,为模型结构设计了一个可训练的稳定约束.论文地址:https://arxiv.org/abs/1909.01804代码地址:https://github.com/ZHKKKe/DualStudent会议:ICCV2019任务:分类Mean-Teacher结构中的两个角色

码侯烧酒·2022-12-01 14:57

[半监督学习] Interpolation consistency training for semi-supervised learning

提出插值一致性训练(Interpolationconsistencytraining,ICT),这是一种简单且效率高的算法,用于在半监督学习范式中训练深度神经网络.在分类问题中,ICT将决策边界移动到数据分布的低密度区域.论文地址:Interpolationconsistencytrainingforsemi-supervisedlearning算法代码:https://github.com/vi

码侯烧酒·2022-12-01 14:27

[半监督学习] Temporal Ensembling for Semi-Supervised Learning

论文地址:TemporalEnsemblingforSemi-SupervisedLearning代码地址:https://github.com/s-laine/tempens会议:ICLR2017任务:分类self-ensemblingself-ensembling即自集成,自己集成自己.对于神经网络来说,一个样本如果多次送入网络,能够产生多个模型预测结果,这些结果可以进行融合,同时在不同的ba

码侯烧酒·2022-12-01 14:26

论文阅读 Adaptive Consistency Regularization for Semi-Supervised Transfer Learning

AdaptiveConsistencyRegularizationforSemi-SupervisedTransferLearning论文题目：自适应一致性正则化方法用于半监督迁移学习作者单位：百度大数据研究院作者：AbulikemuAbuduweili代码地址：https://github.com/SHI-Labs/Semi-Supervised-Transfer-Learning摘要近来，半监

sigmoidAndRELU·2022-12-01 14:56

推荐频道

semi-supervised