semi-supervised

半监督学习(Semi-Supervised Learning, SSL)-简述及论文整理

本文参考AnOverviewofDeepSemi-SupervisedLearning，Anoverviewofproxy-labelapproachesforsemi-supervisedlearning文中相关概念补充及论文的阅读笔记将进行持续编写机器学习主要有三种类型:有监督,无监督和半监督学习.有监督学习的目标是通过训练一个函数fff来预测数据的标签,更具体地说,给定一个包含lll个标记的
码侯烧酒·2022-12-01 14:56

半监督回归(Semi-Supervised Regression, SSR)-论文整理

本文内容来自Semi-SupervisedRegression:ArecentreviewSSR的种类按照以下标准进行分类:输入变量之间的关系参数估计(Parametricmethods)非参数估计法(Non-Parametricmethods)视图数量多视图学习(Multipleviewlearning)单视图学习(Singleviewlearning)learner数量Multiplelear
码侯烧酒·2022-12-01 14:56

[论文阅读] Curriculum Semi-supervised Segmentation

[论文地址][代码][MICCAI19]Abstract本研究调查了半监督CNN分割的课程式策略，它设计了一个回归网络来学习图像级信息，如目标区域的大小。这些回归被用来有效地规范分割网络，约束未标记图像的softmax预测，使其与推断的标签分布相匹配。我们的框架基于不等式约束，可以容忍推断出的知识中的不确定性，例如，回归的区域大小。它可以用于大量的区域属性。我们评估了我们的方法在磁共振图像(MRI
xiongxyowo·2022-12-01 12:47

A survey on semi-supervised learning

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录摘要结论IntroductionBackgroundRelatedareas期刊：MachineLearning（wos2区，中科院3区）(2020)摘要对进二十年的半监督方法进行概述（主要是半监督分类）。提出了一种新的半监督分类算法。大多数半监督学习算法的基本假设是如何相互紧密联系的，以及它们与众所周知的半监督聚类假设之间的
姚同·2022-11-30 10:41

[CVPR2022] BoostMIS: Boosting Medical Image Semi-Supervised Learning With Adaptive Pseudo Labeling a

BoostMIS:BoostingMedicalImageSemi-SupervisedLearningWithAdaptivePseudoLabelingandInformativeActiveAnnotation要点：1、新型的半监督学习框架——BoostMIS，结合了自适应伪标记和信息性主动标注，充分发挥医学图像半监督学习的潜力（a）BoostMIS可以根据当前学习状态自适应地利用利用未标记
nightluo·2022-11-27 18:09

[CVPR2022] DASO: Distribution-Aware Semantics-Oriented Pseudo-Label for Imbalanced Semi-Supervised

DASO:Distribution-AwareSemantics-OrientedPseudo-LabelforImbalancedSemi-SupervisedLearning要点：1、传统的半监督学习：类不平衡、标记数据与未标记数据之间的类分布不匹配，导致伪标签的严重偏差2、新的通用伪标记框架——DASO（a）通用的伪标记框架，将“基于相似性的分类器中的语义伪标签”与“线性分类器中的线性伪标签
nightluo·2022-11-27 18:09

[CVPR2022] ACPL: Anti-curriculum Pseudo-labelling for Semi-supervised Medical Image Classification

ACPL:Anti-curriculumPseudo-labellingforSemi-supervisedMedicalImageClassification要点：1、医学分析中有效的半监督学习需要：有效地处理多类别（病变分类）和多标签（多疾病诊断），以及不平衡（疾病流行率的高差异；2、策略之一：基于伪标签pseudolabeling，但是：（a）比一致性学习consistencylearnin
nightluo·2022-11-27 18:38

【论文阅读】半监督时序动作检测 Semi-Supervised Action Detection

文章目录1.LearningTemporalActionProposalsWithFewerLabels(ICCV2019)论文目的——拟解决问题贡献——创新实现流程详细方法2.Self-SupervisedLearningforSemi-SupervisedTemporalActionProposal(CVPR2021)论文目的——拟解决问题贡献——创新实现流程详细方法3.Semi-Superv
三木今天学习了嘛·2022-11-27 09:12

[CVPR2022] Cross-Model Pseudo-Labeling for Semi-Supervised Action Recognition

Cross-ModelPseudo-LabelingforSemi-SupervisedActionRecognition要点：1、半监督动作识别，使用伪标记分配未标记数据，然后在训练中用作附加的监督2、最近研究：伪标签通过在标记数据上训练模型获取，然后使用来自该模型的置信度预测值来自学3、新的伪标记方案——CMPL，跨模型伪标记（a）在主干网络的基础上，引入轻量级的辅助网络，相互预测伪标签（b）
nightluo·2022-11-27 09:12

SESS: Self-Ensembling Semi-Supervised 3D Object Detection

SESS:Self-EnsemblingSemi-Supervised3DObjectDetection作者：NaZhaoTat-SengChuaGimHeeLee机构：DeaprtmentofComputerScience,NationalUniversityofSingapore出处：CVPR2020Oral代码：https://github.com/Na-Z/sess写作笔记alternat
Harrylin、·2022-11-26 10:23

《论文阅读》SESS: Self-Ensembling Semi-Supervised 3D Object Detection

留个笔记自用SESS:Self-EnsemblingSemi-Supervised3DObjectDetection做什么3Dobjectdetection。3维目标检测对于输入的3D点云，像2D一样使用一个boundingbox去将相应的物体包围起来，不过这里使用的boundingbox也同样变成了3维的做了什么3D物体检测对数据集的要求都懂，是很昂贵的，这里采用的是一个半监督的结构。怎么做首先
未知丶丶·2022-11-26 10:21

SESS: Self-Ensembling Semi-Supervised 3D Object Detection论文阅读及理解

SESS:Self-EnsemblingSemi-Supervised3DObjectDetectionAbstract3d检测通常以来目标的标签和注释，然而获得这些注释是十分困难的。SESS一种自集成的半监督三维目标检测框架。设计了一种扰动方案，加强对未标记数据和新的为可见数据的泛化。提出三种一致损失（consistencyloss），加强两组预测三维目标提议之间的一致性。半监督学习的方式，通过
Lcx559·2022-11-26 10:47

Adversarial learning for semi-supervised semantic segmentation

GAN生成对抗网络：由两个子网络组成，generator和discriminator,在训练过程中，这两个子网络进行着最小最大值机制，generator用随机向量输出一个目标数据分布的样例，discriminator从目标样例中区分出生成器生成的样例。generator通过后向传播混淆discriminator，依此generator生成与目标样例相似的样例。这篇论文中，将generator换成一
vi_wsc·2022-11-25 22:30

论文：Adversarial Learning for Semi-Supervised Semantic Segmentation

1、AdversarialLearningforSemi-SupervisedSemanticSegmentation目的：学习对抗训练是如何做语义分割，思想，做法，结论，和后续用这种思想的方法做对比1）先整体看下文章做了什么工作？对抗的学习框架提高语义分割精度，在推理过程中，并不需要判别器，所以不会增加额外的计算。半监督的方法，在训练时用了无标注的图像。2）整个过程是怎么做的？输入一张图片，经过
weixin_43673376·2022-11-25 22:29

Adversarial Learning for Semi-Supervised Semantic Segmentation

链接：https://pan.baidu.com/s/1CnLMoaOcIScfn2Ms2mhvNQ提取码：tqp8
代码小白的成长·2022-11-25 22:29

半监督语义分割网络 Adversarial Learning for Semi-Supervised Semantic Segmentation论文阅读笔记

ALSS是半监督语义分割领域最早的文章之一，文章的动机仍然是easetheheavyhumaneffortsoflabelingpixel-levelannotations。与弱监督领域通常采用的分类级标签数据和分类级损失函数不同，半监督学习更强调少量有标签数据与大量无标签数据的结合，其核心在于如何通过有标签数据更好地挖掘无标签数据的监督信息，从而达到提升模型性能而降低人力支出的目的。ALSS提出
tcltyan·2022-11-25 22:55

1-Adversarial Learning for Semi-Supervised Semantic Segmentation

摘要：我们提出了一个半监督语义分割的方法，使用了对抗网络。设计了一个鉴别器，去区分预测概率图与真实分割分布，同时考虑了空间分辨率。我们表明，通过**将对抗性损失与所提出模型的标准交叉熵损失耦合起来**，所提出的鉴别器可以用于提高语义分割精度。**此外，鉴别器通过发现未标记图像的预测结果中的可信区域来实现半监督学习，从而提供额外的监督信号。**与使用弱标记图像的现有方法相比，我们的方法利用未标记图像
橙黄橘绿时_Eden·2022-11-25 22:55

2018 BMVC之GAN+seg：Adversarial Learning for Semi-Supervised Semantic Segmentation

AdversarialLearningforSemi-SupervisedSemanticSegmentation当前的问题及概述：现有的鉴别器大都在图像层次上对输入图像进行真伪分类训练，而我们设计了一种全卷积的鉴别器，在考虑空间分辨率的情况下，从ground-truth中对预测概率图进行区分。此外，全卷积鉴别器通过在未标记图像的预测结果中发现可能区域，实现半监督学习，从而提供额外的监督机制。模型
用GAN得有GPU·2022-11-25 22:54

[论文翻译] Learning with Limited Annotations: A Survey on Deep Semi-Supervised Learning for Medical

https://arxiv.org/abs/2207.14191Abstract医学图像分割是许多图像引导的临床方法中的基本和关键步骤。最近基于深度学习的分割方法的成功通常依赖于大量的标记数据，特别是在医学成像领域，只有专家才能提供可靠和准确的注释，这一点特别困难和昂贵。半监督学习已经成为一种有吸引力的策略，并被广泛地应用于医学图像分割任务中，在有限的注释下训练深度模型。在本文中，我们全面回顾了最
xiongxyowo·2022-11-25 22:23

Adversarial Learning for Semi-Supervised Semantic Segmentation(BMVC2018)

AdversarialLearningforSemi-SupervisedSemanticSegmentation本文核心要点如下SegNetasGeneratorDiscriminator:useaFCN(HxWxC->HxWx1)Semi-supervised
feitianlzk·2022-11-25 22:51

[论文阅读] Adversarial Learning for Semi-Supervised Semantic Segmentation

[论文地址][代码][BMVC18]Abstract我们提出了一种使用对抗性网络进行半监督性语义分割的方法。虽然大多数现有的判别器都是在图像层面上对输入图像进行真假分类的训练，但我们以完全卷积的方式设计了一个判别器，以区分预测的概率图和考虑到空间分辨率的地面真实分割分布。我们表明，通过将对抗性损失与拟议模型的标准交叉熵损失相结合，所提出的判别器可用于提高语义分割的准确性。此外，全卷积判别器通过发现
xiongxyowo·2022-11-25 22:50

T-PAMI-2021论文Semi-Supervised Multi-View Deep Discriminant Representation Learning阅读笔记

提示：文0.论文信息题目：Semi-SupervisedMulti-ViewDeepDiscriminantRepresentationLearning期刊：IEEETransactionsonPatternAnalysisandMachineIntelligence（T-PAMI）链接1：Semi-SupervisedMulti-ViewDeepDiscriminantRepresentatio
Simon_100·2022-11-24 20:24

Deep Semi-Supervised Anomaly Detection论文阅读

提出深度SAD和端到端的训练策略，提出了一个信息理论框架，根据潜在的分布的熵来作为论文方法的理论解释。异常检测的假设就是：检测那些不平常（出现较少）的数据。one-class分类：目标是找到包含大多数数据的小度量，那些不包含在内的就是异常。浅无监督异常检测方法：one-classsvm，核密度估计，独立森林。数据设置特点：n个无标签数据（大部分为正常数据但是也包括一些异常污染），m个标注数据（+1
爱笑的李·2022-11-24 05:38

（十九）DEEP SEMI-SUPERVISED ANOMALY DETECTION

本篇论文是在上一篇（十八）DeepOne-ClassClassification论文的基础上进行改进的论文信息2020ICLR作者单位：德国柏林工业大学&新加坡科技设计大学数据集（3个）：MNIST+Fashion-MNIST+CIFAR-10半监督的异常检测问题论文下载链接：https://arxiv.org/pdf/1906.02694.pdf论文代码下载：https://github.com
是肉球哇·2022-11-24 05:55

论文解读《Semi-Supervised Semantic Segmentation with Cross Pseudo Supervision》

论文解读《带有交叉伪监督的半监督式语义分割法》论文出处：CVPR2021论文地址：论文地址代码地址：代码地址一摘要：（1）本文通过研究有标签数据和无标签数据，研究了半监督语义分割问题。提出了一种新的一致性规则化方法——交叉伪监督（CPS）。（2）该方法将一致性强加于对同一输入图像进行不同初始化扰动的两个分割网络上。（3）实验结果表明，方法是有效的在cityscape和PASCALVOC2012上实
渔歌畅晚·2022-11-23 13:08

Semi-supervised medical image segmentation via uncertainty rectified pyramid consistency 半监督医学图像分割

↵现在由于深度学习有监督分割基本也搞到头了，各种新网络新结构层出不穷，人们把精力主要放到了半监督分割任务上了。半监督学习旨在通过结合少量标记数据和大量未标记数据来取得可喜的结果，因此关键步骤是为未标记数据设计有效的监督。因此，已经提出了许多方法来有效地利用未注释的图像。今天看到一篇毕竟好的论文，整个思路并不复杂，给人感觉，原来还可以这么弄呀。通过图片，我们可以发现，这是一个典型的UNet神经网络，
skyfengye·2022-11-23 09:20

Semi-supervised Learning with Graph Learning-Convolutional Networks--论文笔记

论文题目《图学习卷积神经网络的半监督学习》1.引言在本文中，我们针对半监督学习问题提出了一种新颖的图学习卷积网络（GLCN）。GLCN的主要思想是通过在统一的网络体系结构中同时集成图学习和图卷积来学习一种最能为半监督学习服务的模型。主要贡献：1.在GLCN中，既定的标签和估计的标签都被合并，因此可以提供有用的“弱”监督信息来细化（或学习）图的构造，并有助于在CNN中进行图卷积操作以进行未知的标签估
爱玩的阿是·2022-11-23 03:52

GLCN:Semi-supervised Learning with Graph Learning-Convolutional Networks

1、前言.现有的图CNN通常使用对于半监督学习任务可能不是最优的固定图。在本文中，提出了一种新的用于图数据表示和半监督学习的图学习卷积网络（GLCN）。GLCN的目标是通过将图学习和图卷积两者集成在统一的网络架构中，学习最适合于半监督学习的图CNN的最优图结构。GLCN的主要思想是通过在统一的网络架构中同时集成图学习和图卷积来学习最适合于半监督学习的图CNN的最优图表示。2、相关工作回顾之前提出的
只想做个咸鱼·2022-11-23 03:48

A Simple Baseline for Semi-supervised Semantic Segmentation with Strong Data Augmentation

作者认为前人没有使用强增强，是因为强增强引起的分布差异会损害BN，作者在AdvProp和Randaugment:Practicalautomateddataaugmentationwithareducedsearchspace的基础上在半监督语义分割上进行强增强，并利用辅助BN的方法防止特征偏移，另外作者设计了一个自校正损失用来抗噪。Method半监督过程：使用标记好的数据和交叉熵训练好教师模型，
favomj·2022-11-23 00:27

自监督论文阅读笔记 SimCLRV2 Big Self-Supervised Models are Strong Semi-Supervised Learners

从少量标记样本中学习，同时充分利用大量未标记数据的一种范式是无监督的预训练，然后是监督的微调。虽然这个范例以task-agnostic任务不可知的方式使用了未标记的数据，但与计算机视觉的常见半监督学习方法相比，本文表明它对于ImageNet上的半监督学习非常有效。本文的方法的一个关键组成是在预训练和微调期间使用大的(深度和广度)网络。我们发现，标签越少，这种方法(使用未标签数据的任务无关性)从更大
YoooooL_·2022-11-22 11:34

论文精读:End-to-End Semi-Supervised Object Detection with Soft Teacher

https://arxiv.org/pdf/2106.09018.pdf半监督学习重在流程，而不在网络细节Abstract本文提出了一种端到端半监督目标检测方法，不同于以往更复杂的多阶段方法。端到端训练逐渐提高了训练过程的伪标签质量，越来越准确的伪标签进而有利于目标检测训练。在这个框架内，我们还提出了两种简单而有效的技术：一种softteacher机制，其中每个未标记边界框的分类损失由teache
樱花的浪漫·2022-11-22 11:31

【Semi-Supervised Raw-to-Raw Mapping 半监督 Raw-to-Raw 映射】

图1：我们引入了一种半监督的raw-to-raw映射方法。该图显示了iPhoneX智能手机相机拍摄的原始图像和我们到三星GalaxyS9智能手机相机原始空间的映射结果，以及三星GalaxyS9拍摄同一场景的参考图像。对于每个图像，我们都显示原始图像和相机ISP渲染图像。显示的图像来自我们的数据集。请注意，原始拜耳原始图像被打包到RGGB通道。为了帮助可视化，对绿色通道进行平均（即三通道RGB图像）
learning112358·2022-11-20 20:55

机器学习 学习笔记 1

半监督学习semi-supervised：两者结合机器学习的目标是使得学到
无bug代码搬运工·2022-11-20 17:06

【论文总结】Meta-Learning for semi-supervised few-shot classification(附翻译)

Meta-Learningforsemi-supervisedfew-shotclassification半监督小样本分类的元学习论文地址：https://arxiv.org/pdf/1803.00676.pdf代码地址：https://github.com/renmengye/few-shot-ssl-public思路：通过一个原型网络提取特征后，对特征进行聚类得到聚类中心，测试时按照距离来归类
小张好难瘦·2022-11-20 06:46

图神经网络论文阅读(十一) Hierarchical Graph Convolutional Networks for Semi-supervised，IJCAI2019

本文作者来自中科大。基于邻域聚集的模型大多比较浅，缺乏图池机制，使得模型无法获得足够的全局信息。为了增加接收域，我们提出了一种新的半监督节点分类的深度层次图卷积网络（HierarchicalGraphConvolutionalNetwork(H-GCN)）。H-GCN首先将结构上相似的节点重复聚合为超节点，然后将粗化后的图细化为原始图，恢复每个节点的表示。所提出的粗化过程扩大了每个节点的接受域，从
五月的echo·2022-11-20 06:15

【ICLR 2021】半监督目标检测：Unbiased Teacher For Semi-Supervised Object Detection

UnbiasedTeacherForSemi-SupervisedObjectDetection摘要：论文介绍：具体实现：问题定义Burn-In师生相互学习实验结果：摘要：半监督学习，即同时使用有标记和未标记数据的训练网络，最近取得了重大进展。然而，现有的工作主要集中在图像分类任务上，而忽略了目标检测。因此在这项工作中，作者重新讨论了半监督对象检测（SSOD），并确定了SSOD中的伪标记偏差问题。
BIT可达鸭·2022-11-19 20:25

【CVPR 2022】半监督目标检测：Dense Learning based Semi-Supervised Object Detection

DenseLearningbasedSemi-SupervisedObjectDetection简介：论文介绍：具体实现：问题描述自适应过滤策略MetaNet聚合教师不确定性一致性实验结果：对比试验消融实验简介：半监督目标检测（SSOD）旨在利用大量的未标记数据，促进目标检测器的训练和部署。虽然目前已经提出了各种基于自训练和基于一致性正则化的SSOD方法，但大多数都是基于锚框的检测器，而忽略了在许
BIT可达鸭·2022-11-19 20:25

【论文笔记】半监督目标检测（Semi-Supervised Object Detection，SSOD）

前言本文转载于半监督目标检测（Semi-SupervisedObjectDetection，SSOD）相关方法介绍-知乎本文结合相关论文介绍了一些半监督目标检测（Semi-SupervisedObjectDetection，SSOD）算法，即如何利用大量的unlabeleddata提升模型的检测性能。什么是半监督目标检测？传统机器学习根据训练数据集中的标注情况，有着不同的场景，主要包括：监督学习、
m0_61899108·2022-11-19 20:15

论文笔记：Semi-supervised Domain Adaptation based on Dual-level Domain Mixing for Semantic Segmentation

Semi-supervisedDomainAdaptationbasedonDual-levelDomainMixingforSemanticSegmentation最近在看CVPR2021的DomainAdaptation的论文概括本文利用一个带标签的源数据集与一个含少量标签的目标数据集，训练一个基于区域尺度混合数据的“老师”模型和一个基于样本尺度混合数据的“老师”模型，然后共同指导训练一个“学
Maoshuyi·2022-11-19 17:09

【语义分割研究】Semi-Supervised Semantic Segmentation Using Unreliable Pseudo-Labels 不可靠伪标签的半监督语义分割

论文标题：Semi-SupervisedSemanticSegmentationUsingUnreliablePseudo-Labels作者信息：商汤科技,上海交通大学,香港中文大学录用信息：CVPR2022→arXiv：https://arxiv.org/pdf/2203.03884.pdf代码开源：https://github.com/Haochen-Wang409/U2PLProjectPa
Mr_tianyanxiaobai·2022-11-19 17:01

【CVPR2022】论文阅读笔记Semi-Supervised Semantic Segmentation Using Unreliable Pseudo-Labels

Semi-SupervisedSemanticSegmentationUsingUnreliablePseudo-Labels使用不可靠伪标签的半监督语义分割论文地址：https://arxiv.org/abs/2203.03884代码地址：https://haochen-wang409.github.io/U2PL.摘要半监督语义分割的关键是给无标签图像的像素分配适当的伪标签。通常的做法是选择高
Thinkobj·2022-11-19 17:25

Towards Semi-Supervised Deep Facial Expression Recognition with An Adaptive Confidence Margin 论文笔记

2022CVPR面部表情识别论文：面向具有自适应置信度的半监督深度面部表情识别以下内容是对论文的翻译和重点标注及笔记，后期还会对论文在此博客进行重难点更新和总结，请随时关注此博文。论文地址在下方已给出，源码下载链接在论文里。下载论文地址：https://arxiv.org/pdf/2203.12341.pdf摘要只有部分的未标记数据会被选择为大多数半监督学习方法的训练模型，这些方法的置信度分数通常
勒布朗张婧仪·2022-11-19 07:15

李宏毅2020ML——P22 semi-supervised半监督学习

semi-supervisedintroduceSemi-supervisedLearningforGenerativeModelLow-densitySeparationAssumptionSmoothnessAssumptionBetterRepresentationintroduce简单介绍：为什么半监督学习会有效果呢？Semi-supervisedLearningforGenerative
小葵向前冲·2022-11-09 12:16

STAC: A Simple Semi-Supervised Learning Framework for Object Detection

秋招结束了，准备开始搞毕业论文了，记录下这周组会要将的论文。这篇论文主要讲的是半监督的目标检测。背景我们可以将目标检测分类四个部分:有监督目标检测:拥有大规模带标签的数据，包括完整的实例级别的标注，即包括坐标和类别信息弱监督目标检测:数据集中的标注包含类别，不包含坐标信息弱半监督目标检测:数据集中拥有部分实例级别的标注，大量弱标注数据，模型希望利用大规模的弱标注数据提升模型的检测能力半监督目标检测
小姜贼菜·2022-11-08 11:34

MMDet——EMA更新hook详解

hook机制，EMA就是建立在Hook机制上的，推荐一个Hook详解：深度理解目标检测(MMdetection)-HOOK机制EMA（指数平均exponentialmeanaverage）一般来说，在Semi-supervised
Irving.Gao·2022-11-06 07:35

Semi-Supervised Semantic Segmentation Using Unreliable Pseudo-Labels

最近在关注CVPR 2022CVPR{\,}2022CVPR2022一些比较好的文章，也在做一些关于object contextobject{\,}contextobjectcontext的工作。好久没有好好更新博客了，今天想和大家分享下最近看的一篇我认为做的比较好的文章，问题的切入角度很好，文章也写得不错。标题为Semi-SupervisedSemanticSegmentationUsingUn
zerone-fg·2022-11-02 16:26

(2022 CVPR) U2PL Semi-Supervised Semantic Segmentation Using Unreliable Pseudo-Labels

(2022CVPR)U2PLSemi-SupervisedSemanticSegmentationUsingUnreliablePseudo-LabelsMotivation:半监督语义分割的关键是为未标记图像的像素分配足够的伪标签。即使是不可靠的预测结果，虽然无法打上确定的伪标签，但仍可以作为部分类别的负样本，从而参与到模型的训练，从而让所有的无标签样本都能在训练过程中发挥作用。Method:
July_zh·2022-11-02 16:23

【弱监督学习】Semi-Supervised Semantic Segmentation Using Unreliable Pseudo-Labels

0.前言这是一篇在2022年发表在CVPR上的有关弱监督语义分割的文章，文章关注使用图像级标签进行语义分割弱监督训练。现有方法通常产生伪标签，然后通过某种方法对伪标签进行过滤，仅仅使用可靠的像素来进行弱监督训练，然而这样通常会损失大量的像素，导致许多没有被判定为可靠的像素没有被使用，为了提高无像素级标签数据的使用率，本文提出了了U2PL框架。1.介绍全监督方法通常需要大量高质量的像素级标签才能完成
几维wk·2022-11-02 16:52

论文阅读《SEMI-SUPERVISED ASR BY END-TO-END SELF-TRAINING》

《SEMI-SUPERVISEDASRBYEND-TO-ENDSELF-TRAINING》链接：https://pan.baidu.com/s/1aYgZxWZuaNba-azxUaAyog提取码：bo0m论文题目《端到端自训练半监督ASR》作者杨晨-俄亥俄州立大学王蔚然-Salesforce研究王超-亚马逊亚历山大摘要基于深度学习的端到端自动语音识别（ASR）系统虽然大大简化了建模流程，但存在数
WuJia_·2022-10-31 11:32

【论文导读】- GraphFL: A Federated Learning Framework for Semi-Supervised Node Classification on Graphs

文章目录论文信息摘要主要工作Model-agnosticmetalearning(MAML)GraphFLFramework1.GraphFL用于联合GraphSSC和非IID图数据2.GraphFed用于联合GraphSSC和新标签3.通过自训练来利用未标记节点论文信息原文地址：https://arxiv.org/abs/2012.04187摘要Graph-basedsemi-supervise
1 + 1=王·2022-10-18 17:24
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他