semi 第32页

PCL 点云库 3D感知 NLP学习资源

锦鲤少年丶·2022-12-23 13:29

机器学习开篇

机器学习开篇序论1.1机器学习是什么1.2机器学习的分类1.2.1从学习的过程分类1.监督学习（SupervisedLearning）:2.无监督学习(UnsupervisedLearning)3.半监督学习(Semi-supervisedLearning

霍迪迪·2022-12-23 01:26

启用 ESLint 后解决格式化文档自动添加分号和双引号问题

解决自动添加分号和双引号问题二、配置eslint不检查函数方法名和括号之间的空格，因为这个空格确实不是个错误，关闭该项检查一、格式化文档时：解决自动添加分号和双引号问题在项目根目录中创建配置文件.prettierrc{"semi

itpeilibo·2022-12-22 00:17

Semi-continuity

Inmathematicalanalysis,semicontinuity(orsemi-continuity)isapropertyofextendedreal-valuedfunctionsthatisweakerthancontinuity.Anextendedreal-valuedfunction

Tsima_·2022-12-22 00:38

FixMatch：一致性正则与伪标签

FixMatch:SimplifyingSemi-SupervisedLearningwithConsistencyandConfidenceGoogleresearch出品论文：https://arxiv.org

HHHTTY-·2022-12-21 21:16

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

Harrylin、·2022-12-21 21:45

MixMatch、UDA、ReMixMatch、FixMatch

本文转自：【半监督学习】MixMatch、UDA、ReMixMatch、FixMatch半监督学习（Semi-SupervisedLearning，SSL）的SOTA一次次被Google刷新，从MixMatch

疯子_Zhang·2022-12-21 21:44

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。

miss9785·2022-12-21 21:43

半监督学习近几年相关论文解读（分类）

分类任务部分半监督一.Mixmatch（NeurIPS2019）MixMatch:AHolisticApproachtoSemi-Supervised论文地址：https://arxiv.org/abs

啥也不会就会混·2022-12-21 21:41

论文阅读：FixMatch：simplifying-semi-supervised-learning-with-consistency-and-confidence

重点总结：主要结合了伪标签和一致正则化（两种数据增强的方式实现）方法利用更少的带标签数据，实现了更高的准确度。下面具体说一下关于FixMatch具体实施细节：先来介绍一下本篇论文中数据增强。数据增强的主要思路：在未标记的图像上进行弱增强从而生成伪标签，同时也在未标记的图像上进行强增强进行预测。具体使用到的方法的解释如下：1.弱增强：包括对图像的翻转和平移两种策略。2.强增强：主要应用RandAug

coding小白·2022-12-21 21:41

[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

我是大黄同学呀·2022-12-21 21:10

FixMatch: 通过一致性和置信度简化半监督学习

原论文：FixMatch:SimplifyingSemi-SupervisedLearningwithConsistencyandConfidence作者单位：GoogleResearch出版：arXiv2001.07685code

hb_ma·2022-12-21 21:09

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

/arxiv.org/abs/2001.07685代码：https://github.com/google-research/fixmatch1.论文题目与摘要FixMatch:SimplifyingSemi-SupervisedLearningwithConsistencyandConfidence

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

nightluo·2022-12-21 21:00

拉普拉斯矩阵特征向量的几个关键性质证明

LLL的特征向量组成的矩阵PPP是正交矩阵，有P−1=PTP^{-1}=P^{T}P−1=PT代码验证标准化的拉普拉斯矩阵公式性质证明性质1:对称性(symmetric)性质2:半正定(positive-semidefinite

November丶Chopin·2022-12-21 18:31

【学习】自监督学习2、GPT、PLM

的最近发展pre-trainedlanguagemodels的背景3、解决方法（1）prompttuning（数据高效微调:即时调优）2、few-shotlearning（数据高效微调:少量学习）3、semi-supervisedlearning

Raphael9900·2022-12-20 19:00

PRISEMI芯导科技推出PDG7115直驱型E-Mode氮化镓功率IC

PRISEMI芯导科技推出PDG7115直驱型E-Mode氮化镓功率IC氮化镓以开关速度快，导阻低，低输入输出电荷的优势，应用在快充上逐渐取代了传统的高压硅MOS管。

SZKOYUELEC深圳光与电子·2022-12-20 18:35

内置Prisemi保护IC P14C1N，安克、真我、万魔、红米等全新产品TWS耳机上应用，现推荐安克举例。

作为长期为苹果供应PD快充和TWS耳机的核心供应商，安克旗下的音频品牌Soundcore声阔表现一直颇为亮眼，近期，声阔发布了最新一代搭载ACAA2.0同轴圈铁技术的SoundcoreLiberty3Pro声阔小金腔。除了外观上多彩的配色和圆润活泼的外观，其配置也“特别能打”：●Knowles动铁以及10.6mm动圈的ACAA2.0同轴圈铁设计，支持主动式降噪；●通过HearID可智能分析使用者听

SZKOYUELEC深圳光与电子·2022-12-20 15:33

Prisemi芯导移动电源整体EOS解决方案全新上线

EOS(ElectricalOverStree)中文解释为电气过应力，是元器件比较常见的损坏原因之一，其表现方式是高电压,高电流或者高电流+高电压产生大量的热能，使元器件内部温度过高从而损坏元器件（大家常说的烧坏），是由电气系统中的脉冲导致的一种损害电子器件的事件。随着科技的不断进步，各类电子产品更新迭代也逐步加快，与此同时，由于世界各地的使用环境不同，每一位消费者的使用习惯不同，都会造成偶发性的

SZKOYUELEC深圳光与电子·2022-12-20 15:03

python对数坐标

/(1+0.1j*w))plt.subplot(221)plt.plot(w,b,linewidth=2,linestyle="-")plt.ylim(0,1)plt.subplot(222)plt.semilogx

小木猿·2022-12-19 15:37

吴恩达机器学习笔记week1——初识机器学习

监督学习1-4.无监督学习1-1.欢迎参加《机器学习》课程MachineLearningGrewoutofworkinAlNewcapabilityforcomputersExamples:DatabaseminingLargedatasetsfromgrowthofautomation

Saulty·2022-12-19 10:55

半监督短语挖掘：autophrase是什么？

论文地址：《AutomatedPhraseMiningfromMassiveTextCorpora》git地址：GitHub-shangjingbo1226/AutoPhrase:AutoPhrase:

薇酱·2022-12-19 08:15

stm32f103zet6的GPIO基础知识

IO数量16*7=112个，GPIOA~GPIOG7组,共144个引脚IO模式很多IO口既可以做为输入，也可以做为输出输入模式VSS指的是地，VDD是高电平，MOS英文全称为Metal-Oxide-Semiconductor

MAR-Sky·2022-12-19 03:00

”AE-OT A NEW GENERATIVE MODEL BASED ON EXTENDED“阅读笔记

"AE-OTANEWGENERATIVEMODELBASEDONEXTENDEDSEMI-DISCRETEOPTIMALTRANSPORT”阅读笔记来源：ICLR2020链接：https://openreview.net

巍巍微澜·2022-12-18 21:38

第13章半监督学习

第13章半监督学习13.1未标记样本有标记样本：样本的类别标记已知未标记样本：样本的类别标记未知主动学习的目标是使用尽量少的查询来获得尽量号的性能半监督学习(semi-supervisedlearning

CharlesVan·2022-12-18 10:52

自监督论文阅读系列：TMI20 基于样本相似度的半监督学习用于医学图像分类

论文题目：Semi-supervisedMedicalImageClassificationwithRelation-drivenSelf-ensemblingModel。

yafee123·2022-12-17 22:41

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

“Semi-supervisedmedicalimagesegmentationvialearningconsistencyundertransformations.”InternationalConferenceonMedicalImageComputingandComputer-AssistedIntervention.Springer

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

LANG_C_·2022-12-17 22:10

半监督学习笔记总结

半监督学习半监督定义半监督深度学习半监督深度学习三种算法第一种：第二种：第三种：让网络workinsemi-supervisedfashion方法一：Pseudo-Label方法二：Semi-SupervisedLearningwithLadderNetworks

付付要努力呀·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

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

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

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

半监督分割与Transformer结合论文阅读（更新中）

一.Semi-SupervisedMedicalImageSegmentationviaCrossTeachingbetweenCNNandTransformer（MIDL2022）论文地址：https

啥也不会就会混·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

阿里云小仙女·2022-12-17 22:06

摘要*7（）

1、BoostMIS:BoostingMedicalImageSemi-supervisedLearningwithAdaptivePseudoLabelingandInformativeActiveAnnotation

momoka9·2022-12-17 22:05

[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

2022_TIP_DSNet

2.解决方法提出Dual-SemiRGB-DSalientObjectDetectionNetwork（DS-Net），利用

小羊咩~·2022-12-16 06:30

自监督学习（self-supervised learning）（20201124）

首先先对上面的概念进行简述：半监督（semi-supervisedlearning）：利用好大量无标注数据和少量有标注数据进行监督学习；远程监督（distant-supervisedlearning）：

柚芷·2022-12-16 00:52

【论文精读】……ConvNeXt……(CNN和Transformer打起来了，A ConvNet for the 2020s)

aRoadmap（现代化路线）1.MacroDesign模块2.ResNeXt-ify模块3.InvertedBottleneck模块：4.LargeKernelSizes模块：5.variouslayer-wiseMicroDesign

深度不学习！！·2022-12-15 21:37

喜讯丨创新微MinewSemi的MS11SF1系列荣获2022中国IoT创新奖—产品金狮奖

北京时间2022年12月8日，由知名电子科技媒体“电子发烧友”举办的2022第九届中国IoT大会在深圳圆满落幕，创新微MinewSemi凭借高性能、低功耗的WiFi+BLECombo模块—MS11SF1

MinewSemi创新微·2022-12-15 12:48

hadoop 实现 Join reduce side join + BloomFilter

在某些情况下，SemiJoin抽取出来的小表的key集合在内存中仍然存放不下，这时候可以使用BloomFiler以节省空间。BloomFilter最常见的作用是：判断某个元素是否在一个集合里面。

Jee.Li·2022-12-15 11:36

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

LASSO问题

JohnLafferty和LarryWasserman在2006年的一篇评论中提到：Somecurrentchallenges…arehighdimensionaldata,sparsity,semi-supervisedlearning

视言·2022-12-14 11:03

推荐频道

semi