supervised

S4-Driver: Scalable Self-Supervised Driving Multimodal Large Language Model with Spatio-Temporal

文章主要内容总结本文提出了一种基于多模态大语言模型（MLLM）的可扩展自监督自动驾驶运动规划框架S4-Driver，旨在解决端到端自动驾驶中依赖人工标注和3D空间推理能力不足的问题。核心方法包括：稀疏体表示（SparseVolumeRepresentation）：将多视图、多帧图像的视觉信息聚合到3D空间，通过轻量级投影和门控机制动态选择关键区域，增强模型的3D时空推理能力，且无需微调预训练的视觉

UnknownBody·2025-06-15 15:37

人工智能-SFT（Supervised Fine-Tuning）、RLHF 和 GRPO

以下是SFT（SupervisedFine-Tuning）、RLHF（ReinforcementLearningfromHumanFeedback）和GRPO群体相对策略优化(GRPO，GroupRelativePolicyOptimization)是一种强化学习(RL)算法，的核心差异与原理对比，涵盖定义、训练机制、优缺点及适用场景：一、核心定义方法核心定义SFT基于标注的「输入-输出」对进行监

高效匠人·2025-06-10 21:54

【图像去噪】论文精读：Rotation-Equivariant Self-Supervised Method in Image Denoising（AdaReNet）

请先看【专栏介绍文章】：【图像去噪（ImageDenoising）】关于【图像去噪】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、去噪概述、文章目录、资料汇总、问题汇总（更新中）文章目录前言Abstract1.Introduction2.RelatedWorkandPriorKnowledge2.1.ImageDenoising2.2.RotationE

十小大·2025-06-10 15:08

【图像去噪】论文精读：Noise2Fast: Fast Self-Supervised Single Image Blind Denoising（N2F）

请先看【专栏介绍文章】：【图像去噪（ImageDenoising）】关于【图像去噪】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、去噪概述、文章目录、资料汇总、问题汇总（更新中）文章目录前言AbstractMainTheoreticalBackgroundContributionandSignificanceRelatedWorkResultsConcl

十小大·2025-06-10 05:58

【大模型实践解惑】如何在 Supervised Fine‑Tuning (SFT) 之后进行 Direct Preference Optimization (DPO) 微调？

关于在SFT之后进行DPO微调的技术解析与应用指南，结合国内外最新研究及实践案例，包含代码实现与未来优化方向：文章目录DPO的核心原理与SFT的局限性1.1SFT的瓶颈与偏好学习的必要性1.2DPO的数学基础与优化目标DPO与SFT的国内外典型应用2.1代码生成优化：北大CodeDPO框架2.2长文本LLM对齐：清华LongReward2.3自动驾驶决策规划：地平线AlphaDriveDPO微调全

云博士的AI课堂·2025-06-08 10:28

解释半监督学习（Semi-Supervised Learning）的概念和方法（面试题200合集，中频、实用）

半监督学习（Semi-SupervisedLearning,SSL）是机器学习领域中一个至关重要的分支，它巧妙地结合了监督学习和无监督学习的特点，旨在利用少量标记数据和大量未标记数据来进行学习。在现实世界的许多应用场景中，获取未标记数据相对容易且成本低廉，而标记数据则往往需要昂贵的人工标注，既耗时又费力。半监督学习的出现，为解决此类问题提供了一条有效途径，能够在标记数据稀缺的情况下，显著提升模型的

快撑死的鱼·2025-06-07 09:38

论文复现Pushing and Grasping Policies

Self-SupervisedLearningforJointPushingandGraspingPoliciesinHighlyClutteredEnvironments论文地址：https://arxiv.org/abs/2203.02511论文代码：GitHub-Kamalnl92/Self-Supervised-Learning-for-pushing-and-grasping

qq_50857609·2025-05-13 22:47

TPAMI 2024 | 自监督多模态学习：综述

自监督多模态学习：综述作者：YongshuoZong,OisinMacAodha,TimothyHospedales源码链接：https://github.com/ys-zong/awesome-self-supervised-multimodal-learning

小白学视觉·2025-05-11 00:03

深入理解自监督学习（Self-Supervised Learning）：理论与实践

友情提示：本文内容由银河易创AI（https://ai.eaigx.com）创作平台的gpt-4o-mini模型生成，旨在提供技术参考与灵感启发。文中观点或代码示例需结合实际情况验证，建议读者通过官方文档或实践进一步确认其准确性。近年来，自监督学习（Self-SupervisedLearning，SSL）作为一种新兴的学习范式，在计算机视觉、自然语言处理等多个领域都取得了显著的进展。与传统的监督学

字节旅行·2025-05-07 07:30

基于不确定性感知学习的单图像自监督3D人体网格重建（论文笔记与思考）

文章目录论文解决的问题提出的算法以及启发点论文解决的问题首先这是Self-Supervised3DHumanmeshrecoveryfromasingleimagewithuncertainty-awarelearning

Gamma and Beta·2025-05-05 16:31

【大模型解惑】大模型如何在 Supervised Fine‑Tuning (SFT) 之后进行 PPO 强化学习微调？

近年来主流的大模型对齐流程已趋于“三段式”：预训练→SFT（监督微调）→RLHF（强化学习阶段，常用PPO）。在SFT拿到一个可用初始策略后，再用PPO让模型最大化奖励（人类偏好或自动指标），既能维持语言流畅度，又能显著提升服从性与安全性([2203.02155]Traininglanguagemodelstofollowinstructionswithhumanfeedback,Secretso

云博士的AI课堂·2025-04-30 08:27

Llama模型家族之使用 Supervised Fine-Tuning（SFT）微调预训练Llama 3 语言模型（六）Llama 3 已训练的大模型合并LoRA权重参数

LlaMA3系列博客基于LlaMA3+LangGraph在windows本地部署大模型（一）基于LlaMA3+LangGraph在windows本地部署大模型（二）基于LlaMA3+LangGraph在windows本地部署大模型（三）基于LlaMA3+LangGraph在windows本地部署大模型（四）

段智华·2025-04-22 13:06

MIA 2025 | 利用标记数据知识：一种用于半监督3D医学图像分割的协同校正学习网络

论文信息题目：Leveraginglabelleddataknowledge:Acooperativerectificationlearningnetworkforsemi-supervised3Dmedicalimagesegmentation

小白学视觉·2025-04-19 12:30

论文阅读：NeurIPS Workshop Weakly Supervised Detection of Hallucinations in LLM Activations

CSPhD-winston-杨帆·2025-04-13 13:00

【大模型系列】SFT（Supervised Fine-Tuning，监督微调）

欢迎来到我的博客，很高兴能够在这里和您见面！希望您在这里可以感受到一份轻松愉快的氛围，不仅可以获得有趣的内容和知识，也可以畅所欲言、分享您的想法和见解。推荐:kwan的首页,持续学习,不断总结,共同进步,活到老学到老导航檀越剑指大厂系列:全面总结java核心技术,jvm,并发编程redis,kafka,Spring,微服务等常用开发工具系列:常用的开发工具,IDEA,Mac,Alfred,Git,

Kwan的解忧杂货铺@新空间代码工作室·2025-03-22 02:20

论文解读（MGAE）《MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs》

优质资源分享学习路线指引（点击解锁）知识定位人群定位Python实战微信订餐小程序进阶级本课程是pythonflask+微信小程序的完美结合，从项目搭建到腾讯云部署上线，打造一个全栈订餐系统。Python量化交易实战入门级手把手带你打造一个易扩展、更安全、效率更高的量化交易系统论文信息论文标题：MGAE:MaskedAutoencodersforSelf-SupervisedLearningonG

虚幻私塾·2025-02-10 03:26

[论文笔记]自监督sketch-to-image生成：Self-Supervised Sketch-to-Image Synthesis

前言：2020年顶会同时出现了两篇很有意思的论文《Self-SupervisedSketch-to-ImageSynthesis》和《UnsupervisedSketch-to-PhotoSynthesis》，分别用自监督和无监督的方法做sketch-to-image生成，可以说是GANs在这一任务中表现的巅峰。目录主要贡献主要工作域转换模型TOMPS：边缘图、铅笔画图、草图sketch之间的区别

沉迷单车的追风少年·2025-01-23 23:10

ResNet的半监督和半弱监督模型

Billion-scalesemi-supervisedlearningforimageclassificationhttps://arxiv.org/pdf/1905.00546.pdfhttps://github.com/facebookresearch/semi-supervised-ImageNet1K-models

Valar_Morghulis·2024-09-15 11:49

什么是监督学习（Supervised Learning）

一、监督学习概述监督学习（SupervisedLearning）是一种极具威力的机器学习方法，能够训练算法以识别数据中的模式，并据此进行精准的预测或分类。借助已有的标记数据，监督学习模型学会了从输入到输出的映射关系，进而在各类实际问题中实现自动化决策。无论是医疗诊断、金融市场分析、客户行为预测，还是提升生产效率以及个性化推荐系统等领域，监督学习都彰显出巨大的潜力与价值。随着技术的持续进步，监督学习

救救孩子把·2024-09-12 02:33

【论文阅读】LLM4SGG: Large Language Models for Weakly Supervised Scene Graph Generation

【论文阅读】LLM4SGG:LargeLanguageModelsforWeaklySupervisedSceneGraphGenerationabstract由于全监督方法严重依赖昂贵标注，最近弱监督场景图生成(WSSGG)研究替代方案出现。在这一点上（Inthisregard），针对WSSGG的研究主要利用图像标题（imagecaption）来获取非局部三元组，而主要关注将非局部三元组建立在图

进击的乔洋·2024-08-28 19:03

【论文笔记】Separating the “Chirp” from the “Chat”: Self-supervised Visual Grounding of Sound and Language

Abstract提出了DenseAV，一种新颖的双编码器接地架构，仅通过观看视频学习高分辨率、语义有意义和视听对齐的特征。在没有明确的本地化监督的情况下，DenseAV可以发现单词的"意义"和声音的"位置"。此外，它在没有监督的情况下自动发现并区分这两种类型的关联。DenseAV的定位能力源于一种新的多头特征聚合算子，该算子直接比较稠密的图像和音频表示进行对比学习。相比之下，许多其他学习"全局"音

xhyu61·2024-08-26 14:46

大盘点 | 何恺明团队在自监督领域的工作：MoCo三部曲

有关Self-Supervised和InfoNCE的基础知识可以看Self-Supervised:如何避免退化解，

Amusi（CVer）·2024-02-19 12:18

弱监督时间动作定位的等效分类映射Equivalent Classification Mapping for Weakly Supervised Temporal Action Localization

该论文介绍了用于弱监督时间动作定位的等效分类映射（ECM）方法。它将预分类和后分类两种分类流程结合到一个统一的框架中。该方法强调等价机制，确保两个管道之间的分类分数和聚合权重一致。它还提出了一个权重转换模块和等效的训练策略来提高性能。ECM在基准数据集上的动作定位方面显示出有希望的结果，而无需详细的帧级注释。先分类（Pre-classification）和后分类（Post-classificati

六个核桃Lu·2024-02-13 21:26

MIA | Multi-modal contrastive mutual learning and pseudo-label re-learning for semi-supervised medic

MIA|Multi-modalcontrastivemutuallearningandpseudo-labelre-learningforsemi-supervisedmedicalimagesegmentation论文标题：Multi-modalcontrastivemutuallearningandpseudo-labelre-learningforsemi-supervisedmedical

CodeCognizer（代码认知者）·2024-02-11 14:50

sklearn kmeans 聚类中心_Kmeans聚类算法

并且这些算法有一个共同的特点，那就是它们都是有监督的(supervised)学习任务。接下来，笔者就开始向大家介绍一种无监督的(unsupervised)经典机器学习算法——聚类。

weixin_39997695·2024-02-08 03:47

G7-Semi-Supervised GAN解读

本文为365天深度学习训练营中的学习记录博客原作者：K同学啊|接辅导、项目定制我的环境：1.语言：python3.72.编译器：pycharm3.深度学习框架Pytorch1.8.0+cu111论文地址一、理论理解半监督生成对抗网络（SGAN）的鉴别器是多分类器（不单单只是区分哪些是生成器生成的，哪些是真实数据）而是学会区分N+1类，其中N是训练数据集中的类别数，生成器生成的伪样本增加了一个类。这

我也不太懂·2024-02-06 18:18

机器学习（学习笔记）——监督学习和无监督学习

**监督学习和无监督学习很好区分：是否有监督（supervised），就看输入数据是否有标签（label），输入数据有标签，则为有监督学习，没标签则为无监督学习。

KW.KW·2024-02-05 14:03

完全监督时序动作定位Fully Supervised Temporal Action Localization 论文阅读

proposal+classification目前fullysupervised动作定位算法可以分为两类：top-down和bottom-up。top-down方法通过滑动不同尺度的窗口获取proposals，它的缺陷在于生成的proposals通常在时间上不够精确或不够灵活，无法涵盖不同持续时间动作实例。bottom-up方法分为两个阶段（1)定位时间边界并将边界合并为提案；(2）使用构造的提案

xia.sir·2024-02-04 01:32

时序动作定位｜使用 ‘注意力机制’ 的弱监督时序动作定位顶会论文理解笔记（Weakly-Supervised Temporal Action Localization）

目录WeaklySupervisedActionLocalizationbySparseTemporalPoolingNetwork（CVPR2018）W-TALC:Weakly-supervisedTemporalActivityLocalizationandClassification（ECCV2018）

六个核桃Lu·2024-02-04 01:01

Semi-supervised Learning（半监督学习）

文章目录摘要1.Introduction1.1WhySemi-supervisedLearning？1.2whySemi-supervisedLearninghelps？2.Semi-supervisedLearningforGenerativeModel2.1SupervisedGenerativeModel2.2Semi-supervisedGenerativeModel3.Low-densi

catcous·2024-02-03 15:38

李宏毅学习笔记——自监督学习（二）

自监督模型：在没有标签的情况下，自己想办法做supervised。把一个文章x分成两半x‘和x’‘，把x‘放

Whalawhala·2024-02-03 15:35

PyTorch][chapter 13[李宏毅深度学习][Semi-supervised Linear Methods-2]

前言：接上篇CSDN这里面重点讲下面4个方面目录：PCA-AnotherPointofview（SVD）PCA和AutoEncoder的关系PCA的缺点PCAPython例子一PCA-AnotherPointofview以手写数字7的图像为例，它由不同的笔画结构组成,分别为则手写数字7可以表示为上图1.1损失函数我们要找到一组向量使得最小(公式1.1）有论文证明过，这个最优解就是SVD奇异分解结果

明朝百晓生·2024-02-03 07:44

《Revisiting Self-Supervised Monocular Depth Estimation》论文笔记

参考代码：rmd1.概述介绍：回顾前几年的一些自监督型深度估计算法，它们都是从不同的角度对自监督深度估计方法进行改进。总结这些算法中对自监督深度估计的改进idea，发现这些算法有的是为了解决场景光照变化对深度估计稳定性的影响；有的是对相机运动下场景中物体遮挡运动进行建模，从而减少对于前期假设先验的违背的影响。而这些改进的idea它们的来源是不同的文章，那么它们组合起来是否能达到比原方法更好的效果呢

m_buddy·2024-02-02 20:59

《PackNet：3D Packing for Self-Supervised Monocular Depth Estimation》论文笔记

参考代码：packnet-sfm1.概述导读：这篇文章提出了一种自监督的深度估计方法，其使用视频序列与运动信息作为输入，用网络去估计深度信息/相机位姿，并用最小重构误差去约束整个训练的过程从而实现自监督。文章的创新点主要体现为：使用3D卷机作为深度编解码网络，在相机位姿的6d信息基础上对平移分量进行约束，提出了一个新的数据集DDAD（DenseDepthforAutomatedDriving）。单

m_buddy·2024-02-02 20:28

（Re-ID论文精读）PASS: Part-Aware Self-Supervised Pre-Training for Person Re-Identification

最近对Re-ID比较感兴趣，读了一篇关于Re-ID的文章，作为自己学习的一个记录，有说的不正确的地方欢迎大家指正，也希望大家一起共同学习共同进步！！！原文地址：ZhuK,GuoH,YanT,etal.Pass:Part-awareself-supervisedpre-trainingforpersonre-identification[C]//EuropeanConferenceonCompute

达柳斯·绍达华·宁·2024-02-01 17:52

（一）NanoPi m4v2 安装 Home Assistant（含 supervisor）

但是shell没办法开启ssh；所以最终是通过supervised方式安装，这种本质上也是安装在docker中，但是根据

sunzq55·2024-01-31 13:54

PyTorch][chapter 12][李宏毅深度学习][Semi-supervised Linear Methods-1]

这里面介绍半监督学习里面一些常用的方案：K-means,HAC,PCA等目录：K-meansHACPCA一K-means【预置条件】N个样本分成k个簇step1:初始化簇中心点(随机从X中抽取k个样本点作为）Repeat:ForallinX:根据其到（i=1,2,..k）的欧式距离:（代表第n个样本属于第i簇）updatingall问题：不同的初始化参数影响很大.可以通过已打标签的数据集作为,未打

明朝百晓生·2024-01-31 07:46

【图像拼接/旋转校正】论文精读：Semi-Supervised Coupled Thin-Plate Spline Model for Rotation Correction and Beyond

第一次来请先看这篇文章：【图像拼接（ImageStitching）】关于【图像拼接论文精读】专栏的相关说明，包含专栏使用说明、创新思路分享等（不定期更新）图像拼接系列相关论文精读SeamCarvingforContent-AwareImageResizingAs-Rigid-As-PossibleShapeManipulationAdaptiveAs-Natural-As-PossibleImag

十小大·2024-01-30 11:28

【图像去噪/扩散模型】Deconstructing Denoising Diffusion Models for Self-Supervised Learning(l-DAE)

前言论文题目：DeconstructingDenoisingDiffusionModelsforSelf-SupervisedLearning——基于自监督学习的解构去噪扩散模型论文地址：DeconstructingDenoisingDiffusionModelsforSelf-SupervisedLearning2024何凯明最新工作，去噪扩散模型！Abstract在这项研究中，我们研究了最初用

十小大·2024-01-30 11:28

机器学习--06自监督学习BERT模型

self-supervisedlearning里面有一些模型这些模型都是巨大的模型，这次就来以bert大模型为例子来讲解self-supervised。

小生xiaosheng·2024-01-29 08:08

论文笔记：Self-Supervised Contrastive Pre-Training For Time Series via Time-Frequency Consistency

2022Neurips1intro无监督与训练在NLP和CV领域的应用越来越多他们大多基于合适的，在所有数据上都一致的先验假设例如在NLP中，一个先验假设是不管是什么领域的文本，或者什么语种的文本，都遵循相同的语法规律在时间序列中，之前并没有找到一个在不同数据集上都一致的先验假设——>本文找到了一种不论在什么样的时间序列数据集中都存在的规律，那就是一个时间序列的频域表示和时域表示应该相似——>提出

UQI-LIUWJ·2024-01-28 00:17

【论文代码】① STIOCS: Active learning-based semi-supervised training framework for IOC extraction

【论文代码】①STIOCS:Activelearning-basedsemi-supervisedtrainingframeworkforIOCextraction写在最前面DataDeal.py`getToken`方法`clean_sentences`方法`getEmbedding`方法全部代码你好呀！我是是Yu欸2024每日百字篆刻时光，感谢你的陪伴与支持~欢迎一起踏上探险之旅，挖掘无限可能，

是Yu欸·2024-01-27 00:40

【表情识别阅读笔记】Towards Semi-Supervised Deep FER with An Adaptive Confidence Margin

论文名：TowardsSemi-SupervisedDeepFacialExpressionRecognitionwithAnAdaptiveConfidenceMargin论文来源：CVPR发表时间：2022-04研究背景：对大量图片或视频进行手工标注表情是一件极其繁琐的事情，因此现存的数据集并不够丰富。近年来，也有了一些大规模数据集的出现，并促进了深度面部表情识别FER的发展。然而，收集大规模

Whalawhala·2024-01-24 23:03

[PyTorch][chapter 11][李宏毅深度学习][Semi-supervised Learning]

前言：这里面简介一下半监督学习，如何利用未打标签的数据集。重点可以参考一下Graph-basedApproach方案。目录：简介Semi-supervisedLearningforGenerativeModellow-densitySeparationAssumptionEntropy-basedRegularizationsemi-supervisedSVMSmoothnessAssumptio

明朝百晓生·2024-01-24 07:46

对比学习(Contrastive Learning) (2)

《SupervisedContrastiveLearning》该工作将原来自监督学习(self-supervised)的对比学习思想扩展到全监督学习(full-supervised)，相比于上一篇SimCLR

weiweiweimengting·2024-01-23 07:01

Supervised Contrastive 损失函数详解

有什么不对的及时指出，共同学习进步。(●’◡’●)有监督对比学习将自监督批量对比方法扩展到完全监督设置，能够有效地利用标签信息。属于同一类的点簇在嵌入空间中被拉到一起，同时将来自不同类的样本簇推开。这种损失显示出对自然损坏很稳健，并且对优化器和数据增强等超参数设置更稳定。有监督对比学习论文的贡献：提出了对比损失函数一种新的扩展，允许每个锚点都有多个正样本，使对比学习适应完全监督设置。该损失为很多数

鱼小丸·2024-01-23 06:21

Temporal Distinctiveness for Self-supervised Privacy-preservation for video Anomaly Detection 论文阅读

TeD-SPAD:TemporalDistinctivenessforSelf-supervisedPrivacy-preservationforvideoAnomalyDetectionAbstract1.Introduction2.RelatedWorks3.Method3.1.ProblemStatement3.2.AnonymizationFramework3.3.Anonymizatio

何大春·2024-01-21 06:34

An Experimental Design Framework for Label-Efficient Supervised Finetuning of Large Language Models

Q:这篇论文试图解决什么问题？A:这篇论文试图解决的问题是如何在有限的标注数据下提高大型语言模型（LLMs）的监督微调（SupervisedFinetuning,SFT）效率。具体来说，它关注的是如何在需要大量高质量响应的指令数据集上减少所需的标注工作量，同时保持或提高模型的泛化性能。为了解决这个问题，论文提出了使用实验设计（ExperimentalDesign）技术来选择最有信息量的样本进行标注

Takoony·2024-01-20 07:08

半监督学习 - 半监督生成对抗网络（Semi-Supervised GANs）

半监督生成对抗网络（Semi-SupervisedGANs）是一种结合生成对抗网络（GANs）和半监督学习的方法。在这种方法中，通过同时使用有标签和无标签的数据，模型旨在提高生成模型和判别模型的性能，以在生成新样本和分类任务上都取得良好的表现。以下是半监督生成对抗网络的基本思想和组成部分：基本思想有标签数据：使用有标签的数据对生成器和判别器进行监督式训练，即在训练中利用标签信息。无标签数据：利用未

草明·2024-01-18 14:40

【论文笔记】AFGRL:Augmentation-Free Self-Supervised Learning on Graphs(简要笔记供复习使用)

AFGRL:Augmentation-FreeSelf-SupervisedLearningonGraphs文献地址：Augmentation-FreeSelf-SupervisedLearningonGraphsMotivation图对比的正例对构造对增强方法敏感，由于图包含了语义信息和结构信息，因此在对边进行不同增强方法时，可能会影响其语义对不同数据分布的数据集，模型增强的参数需要分别进行调整

好想变有钱535·2024-01-18 07:59

推荐频道