supervised

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
sigmoidAndRELU·2022-12-01 14:56

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

AIOPS 学习之路

异常检测Anomalydetectiontechniquescanalsobeclassifiedintothreemodes,supervised,semi-supervisedandunsupervisedunsupervisedVAE
YueTann·2022-12-01 02:05

【研一小白论文精读】《Broaden Your Views for Self-Supervised Video Learning》

IntroSimCLR《ASimpleFrameworkforContrastiveLearningofVisualRepresentations》就是在编码器后面加一层mlp。BYOL《BootstrapYourOwnLatentANewApproachtoSelf-SupervisedLearning》之前不管是MoCO或者SimCLR都是有正负样本的，BYOL就已经没有负样本也能做对比学习，
Titus W·2022-11-30 22:26

自监督学习BYOL《Bootstrap Your Own Latent：A New Approach to Self-Supervised Learning》

BYOL算法简要介绍。论文地址：byol论文链接。代码链接：https://github.com/deepmind/deepmind-research/tree/master/byol1、self-supervisedlearning当模型越来越大时，模型训练也会越来越难，会存在梯度消失或者梯度爆炸的问题，需要大量并且是标注的数据来进行训练，因此将目标逐渐转向使用小样本来训练一个泛化性更强的模型。
44070509·2022-11-30 22:24

无监督对比学习之左脚踩右脚的BYOL《Bootstrap your own latent A new approach to self-supervised Learning》

背景在表示学习中，我们现在采用的框架本质是通过一个view的表示去预测相同图像其他view，能预测对说明抓住了图像的本质特征。但在做这样的预测时会有坍缩（collapse）的风险，意思是全都变成一个表示，那也可以做到预测自己。对比学习为了解决这个问题，将表示预测问题转换为了正负例判别问题，这样就迫使模型的输出是多样的，避免坍缩。灵感如何不用负例，也能学到好的表示呢？如果共用encoder，用MSE
我想静静，·2022-11-30 22:52

Bootstrap Your Own Latent A New Approach to Self-Supervised Learning

1.framwork1)twodistributionofaugmentation2)3)4)5)qusesthesamearchitectureasg(FC+BN+RELU+FC)6)withkthecurrenttrainingstepandKthemaximumnumberoftrainingsteps.(,theexponentialmovingaverageparameterτstart
吴俊达9812·2022-11-30 22:46

深度学习(自监督:BYOL)——Bootstrap Your Own Latent A New Approach to Self-Supervised Learning

文章目录前言BYOL简述个人思考实验前言该文章为deepmind团队出品，目前挂在arxiv上，并没有查到相应的发表记录。该文章主要解决对比学习中，只存在正例时出现的模型奔溃解问题，即不论输入是什么，模型的输出都是一个常数。即使只有正例，BYOL仍然达到了SOTA水平，如下图：这表明在对比学习中，负例不一定需要存在。个人认为负例可以避免奔溃解，但是对于高性能的自监督模型而言不是必须的，例如BYOL
菜到怀疑人生·2022-11-30 22:46

OSSID: Online Self-Supervised Instance Detection by (And For) Pose Estimation

许多机器人操作算法都需要实时目标姿态估计。然而，最先进的目标姿态估计方法是针对一组特定的对象进行训练的；因此，这些方法需要重新训练以估计每个新对象的姿势。本文提出了OSSID框架，利用慢速零样本姿态估计器来自监督快速检测算法的训练。然后可以使用这个快速检测器来过滤姿势估计器的输入，从而大大提高其推理速度。这种自监督训练在两个广泛使用的目标姿态估计和检测数据集上超过了现有零样本检测方法的性能，无需任
YoooooL_·2022-11-30 22:45

BYOL论文笔记(Bootstrap Your Own Latent A New Approach to Self-Supervised Learning)

BYOL论文笔记(BootstrapYourOwnLatentANewApproachtoSelf-SupervisedLearning)一、基本架构二、BYOL实现细节数据增强：使用在SimCLR中同样的一系列数据增强，包括随机水平翻转、颜色扰动、高斯模糊等。网络架构：使用resnet50、resnet50(1x)作为基本的编码器,使用两层的MLP作为online和target网络的投影器（20
Sunny_fairness·2022-11-30 22:15

FEN Self-Supervised Feature Enhancement Networks for Small Object Detection in Noisy Images

如果图像包含大量噪声，小目标检测变得更加困难，这在真实环境中很常见。主要原因是小物体上的视觉信噪比非常低，难以提取丰富的特征进行检测。我们提出了一个以自监督方式训练的特征增强网络（FEN）。FEN从输入图像中获取其值被随机擦除的特征，然后通过聚合相邻值来预测擦除的值。该方案使FEN能够使用周围值改进特征，这对于在测试阶段从小目标区域丰富特征有很大的影响。为了验证对噪声图像中小目标检测的鲁棒性，采用
YoooooL_·2022-11-30 22:15

论文笔记：Bootstrap Your Own Latent A New Approach to Self-Supervised Learning

论文笔记：BootstrapYourOwnLatentANewApproachtoSelf-SupervisedLearningabstract：介绍了BYOL网络（原理）：依赖两个网络，一个online和target网络，互相之间相互影响相互学习。从图像增强地视角下看online和target网络，在同一张图片，我们训练了online网络去预测target网络的representation。与此
Jesse～Lau·2022-11-30 22:45

自监督学习（Self-Supervised Learning）

自监督学习（Self-SupervisedLearning）在神经网络的训练中，良好的性能通常需要大量有标签的数据，但是收集带有手工标签的数据是非常昂贵的(例如ImageNet)，并且很难扩大规模。考虑到未标记数据(如免费文本，互联网上的所有图像)的数量远远超过人类管理的标记数据集的数量，不使用它们是一种浪费。然而，无监督学习并不容易，而且效率通常比监督学习低得多。如果我们可以为无标记的数据免费获
EAJKer·2022-11-30 22:14

Bootstrap Your Own Latent: A New Approach to Self-Supervised Learning

BYOL依赖于两个神经网络，称为在线和目标网络，它们相互作用并相互学习。虽然最先进的方法依赖于负样本对，但BYOL不用负样本对就达到了先进水平。BYOL对图像增强的选择比对比法更稳健；我们怀疑不依赖负对是其鲁棒性提高的主要原因之一。生成方法直接在像素成本操作，计算成本高。对比方法通过使同一图像的不同视图的表示更接近(“正对”)并使来自不同图像的视图的表示分开(“负对”)来避免像素空间中的高成本生成
YoooooL_·2022-11-30 22:13

【论文笔记】VATT: Transformers for Multimodal Self-Supervised Learning from Raw Video, Audio and Text

【论文笔记】VATT:TransformersforMultimodalSelf-SupervisedLearningfromRawVideo,AudioandText论文信息题目：VATT:TransformersforMultimodalSelf-SupervisedLearningfromRawVideo,AudioandText作者：HassanAkbariandLiangzheYuana
Manjusaka\·2022-11-30 19:11

视觉Transformer (三) VATT: Transformers for Multimodal Self-Supervised Learning from Video, Audio,Text

文章来源paper:https://arxiv.org/pdf/2104.11178Motivation作者提出了一个使用无卷积transformer架构从无标签数据中学习多模态表示的框架。具体来说，Video-AudioTextTransformer(VATT)将原始信号作为输入，并提取足够丰富的多模态表征，从而有利于各种下游任务(例如检测、分类、跟踪)。作者使用多模态对比损失从头到尾训练VAT
fling_forever·2022-11-30 19:41

Supervised Contrastive Learning：有监督对比学习

1概要交叉熵损失是监督学习中应用最广泛的损失函数，度量两个分布（标签分布和经验回归分布）之间的KL散度，但是也存在对于有噪声的标签缺乏鲁棒性、可能存在差裕度（允许有余地的余度）导致泛化性能下降的问题。而大多数替代方案还不能很好地用于像ImageNet这样的大规模数据集。许多对正则交叉熵的改进实际上是通过对loss定义的放宽进行的，特别是参考分布是轴对称的。这写改进通常具有不同的动机：比如标签平滑（
巍巍微澜·2022-11-30 18:32

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

[2022]李宏毅深度学习与机器学习第七讲（必修）-Self-Supervised Learning

[2022]李宏毅深度学习与机器学习第七讲（必修）-Self-SupervisedLearning做笔记的目的Self-SupervisedLearningBertDownstreamTasks为什么Bert可以工作Multi-lingualBertGPT其他的任务BeyondTextWhatispre-trainmodelHowtofine-tune做笔记的目的1、监督自己把50多个小时的视频看
走走走，快去看看世界·2022-11-30 05:51

ICCV 2021 | 当Transformer遇见自监督学习！Facebook重磅开源DINO

点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达本文转载自：Smarter目前Amusi已看到ICCV2021上的两篇Self-Supervised和Transformer相结合的论文
Amusi（CVer）·2022-11-30 05:16

ASM-Loc Action-aware Segment Modeling for Weakly-Supervised Temporal Action Localization

主要贡献1.提出一个动态片段采样模块，主要针对弥补短的动作片段语义信息不够的情况2.利用片段内和片段间的注意力机制来动态捕捉片段的时序依赖性质3.提出伪实例级别标签来提升动作边界的预测。提出了一个多层级的提取策略来训练整个模型网络指出现有的弱监督TAL方法的缺点：1.定位完整性：由于缺乏视频级别的标签（定位）模型往往生成不完整的或者过于长的动作片段proposal2.对于长度较短的动作片段，经常会
weixin_44699417·2022-11-30 03:18

《论文阅读》FlowStep3D: Model Unrolling for Self-Supervised Scene Flow Estimation

留个笔记自用FlowStep3D:ModelUnrollingforSelf-SupervisedSceneFlowEstimation做什么SceneFlowEstimation场景流预测也就是提供两帧后估计场景中每个点的三维运动，可以理解成包含3D信息的场景配准做了什么这里提出了一个迭代式的步骤，没有用端到端的方法学习，而是用步骤化来细化场景流预测，然后用强正则化方法证明了解的迭代收敛性怎么做
未知丶丶·2022-11-29 13:54

《MonoIndoor：Towards Good Practice of Self-Supervised Monocular Depth Estimation...》论文笔记

参考代码：None1.概述介绍：经典的自监督深度估计方法已经在KITTI数据集上取得了较为不错的效果，但是在一些室内或是相机能够自由移动（KITTI场景下相机固定在车上）的场景下，现有的经典自监督深度估计算法就出现了问题。这篇文章研究的便是这些场景下的自监督深度估计，在该文章中指出自监督深度估计在这些场景下性能出现较大幅度下降是因为如下两点原因：在这些场景下深度的范围是变化比较大的，特别是在一些室
m_buddy·2022-11-29 12:18

谷歌提出ViLD：超越Supervised的Zero-Shot检测器

最近几天GoogleResearch刚出的ViLD将CLIP应用到了检测任务上，在新增类别上Zero-Shot超过Supervised的方法。难道Zero-Shot又要开始了。Zero-
Amusi（CVer）·2022-11-28 20:04

Transformer、Self-Supervised、Zero-Shot和多模态

先写两个最近火热我比较看好的方向Transformer和Self-Supervised，我这里举的例子倾向于计算机视觉方向。最后再补充Zero-Shot和多模态两个方向。
Datawhale·2022-11-28 20:33

强化学习——day41联系通讯作者和读论文：AAAI-2021:Self-Supervised Attention-Aware Reinforcement Learning

Self-SupervisedAttention-AwareReinforcementLearning如何联系通讯作者资源下载chap1Self-SupervisedAttentionforReinforcementLearning1.1Method:Self-SupervisedAttentionModule1.2Attention-AwareReinforcementLearningchap2
qq_43537420·2022-11-28 05:48

[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] Back to Reality: Weakly-Supervised 3D Object Detection With Shape-Guided Label Enhancemen

BacktoReality:Weakly-Supervised3DObjectDetectionWithShape-GuidedLabelEnhancement要点：1、弱监督的三维物体检测方法——使用位置级标注训练
nightluo·2022-11-27 18:39

[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(二)：Kernel Self-Attention for Weakly-supervised Image Classification using Deep Multiple Instance

基于深度多实例学习的弱监督图像分类的核自注意KernelSelf-AttentionforWeakly-supervisedImageClassificationusingDeepMultipleInstanceLearning1、Abstract并非所有的监督学习问题都是用一对固定大小的输入张量和一个标签来描述的。在某些情况下，特别是在医学图像分析中，一个标签对应于一个实例包(例如图像补丁)，为
小王不叫小王叭·2022-11-27 15:11

【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

[ECCV2020]Self-Supervised Monocular 3D Face Reconstruction by Occlusion-Aware Multi-view Geometry

标题：Self-SupervisedMonocular3DFaceReconstructionbyOcclusion-AwareMulti-viewGeometryConsistency链接：https://arxiv.org/pdf/2007.12494本文主要是提出了一种从无监督的多视角图片构建3D人脸模型的方式。作者提到现如今的无监督3D人脸重建方法要么是基于landmark做loss，要么
深蓝蓝蓝蓝蓝·2022-11-27 04:38

[读论文]弱监督学习的精确 3D 人脸重建：从单个图像到图像集-Accurate 3D Face Reconstruction with Weakly-Supervised Learning:From

论文地址：Accurate3DFaceReconstructionwithWeakly-SupervisedLearning:FromSingleImagetoImageSet1.摘要最近，基于深度学习的3D人脸重构方法在质量和效率方面都显示出很好的效果。然而，训练深度卷积神经网络通常需要大量数据，而具有真实三维脸部形状的脸部图像却很少。在本文中，作者提出了一种新颖的深度3D人脸重建方法。具有以下
Redflashing·2022-11-27 04:36

Self-Supervised 3D Face Reconstruction via Conditional Estimation

Abstract我们提出了一个条件估计(CEST)框架，通过视频中的自监督训练，从2D单视图图像中学习3D人脸参数。CEST是基于综合分析的过程，从人脸图像中估计出三维人脸参数(形状、反射率、视点、光照)，然后进行重组，重构出二维人脸图像。为了学习语义上有意义的3D人脸参数而不需要明确地访问它们的标签，CEST通过考虑不同的3D人脸参数的统计依赖相关性来耦合对各个参数的估计。具体来说，任何三维人脸
灬磕盐小学霸·2022-11-27 04:32

Self-Supervised 3D Mesh Reconstruction from Single Images

SMRfeaturerepresentationoflandmarks一致来自插值和预测的3D属性一致Intro：前景知识从单图像中recover3D信息：传统方法是fit先验可变性模型的参数face：3DMM【1】human：SMPL【23】先验模型，贵且耗时或者深度学习领域使用监督方法重建3D物体【7】，但这些方法需要在有GT3D注释的合成或者3D扫描数据集上训练。二维注释，二维重建方法关键模
fwyynl·2022-11-27 04:32

RODNet: A Real-Time Radar Object Detection Network Cross-Supervised by Camera-Radar Fused Object 3D

一篇雷达与视觉融合的文章原论文地址：https://arxiv.org/abs/2102.05150代码地址：https://github.com/yizhou-wang/RODNet摘要  通过准确可靠地感知车辆周围的环境，促进了各种自主或辅助驾驶策略。在常用的传感器中，雷达通常被认为是一种强大且经济高效的解决方案，即使在不利的驾驶场景中，例如弱/强照明或恶劣天气。与其考虑融合来自所有可用传感器
WangXL1995·2022-11-26 22:25

CVPR 2020 论文总结：Weakly Supervised Semantic Point Cloud Segmentation: Towards 10×Fewer Labels

WeaklySupervisedSemanticPointCloudSegmentation:Towards10×FewerLabels（本文是看完了这篇论文做的总结，有不对的地方欢迎指出）摘要针对点云的分析最近受到了很多关注，而分割又是其中最重要的任务之一。目前针对此任务的方法是设计深度网络和做大量的数据标记。本文作者认为做标记是一直有效的方式。但是标记数据太过费时，所以本文提出了弱监督，只需要
zihao_c·2022-11-26 13:11

Paper Reading：SESS（Self-Ensembling Semi-supervised3D ObjectDetction）

BackGround虽然3D点云的目标检测当前运用十分广泛，但是当前大部分3D目标检测的方法强依赖于带有标注的数据。这些带有标注的数据往往是需要付出昂贵的代价，在2021年的水平大概是￥0.1一个框，那么一帧数据也就是对应的￥1-2不等。然而往往标注量需求往往是数以千计的，可想当前对于标注数据的消耗之大。本篇文章先要使用半监督的方法，缓解数据标注的问题。Progress提出了一个自集成半监督的3D
Creator_Wei·2022-11-26 10:53

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

SESS:Self-EnsemblingSemi-Supervised3DObjectDetection作者：NaZhaoTat-SengChuaGimHeeLee机构：DeaprtmentofComputerScience
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。
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。
Lcx559·2022-11-26 10:47

2022李宏毅机器学习深度学习学习笔记第四周--Self-Supervised Learning

文章目录前言Self-SupervisedLearning什么是Self-SupervisedLearningMaskingInputNextSentencePredictionBERT如何使用为什么BERT有用呢？Multi-lingualBERT多语言BERTGPT总结前言本文要讲的是Self-SupervisedLearning自监督学习，首先列举了Self-SupervisedLearni
hehehe2022·2022-11-26 00:00

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

Self-supervised Augmentation Consistency for Adapting Semantic Segmentation

Self-supervisedAugmentationConsistencyforAdaptingSemanticSegmentationAbstract为什么praticalandhighlyaccurate；实用并且高精度之前的方法adversarialobjectives,networkensemblesandstyletransfer我们的方法标准的数据增强–photometricnois
Stdleohao·2022-11-25 22:55
上一页 8 9 10 11 12 13 14 15 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他