supervised 第15页

MMDet——EMA更新hook详解

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

NIPS20 - 将对比学习用于监督学习任务《Supervised Contrastive Learning》

文章目录原文地址论文阅读方法初识相知回顾代码原文地址原文论文阅读方法三遍论文法初识对比学习这两年在自监督学习、无监督学习任务中非常火，取得了非常优秀的性能。这个工作就是想办法将其用在监督学习任务中，在训练过程中更有效地利用标签信息。文章研究的点主要在于对比学习在分类任务中的应用作者首先分析了分类任务中最常采用的交叉熵损失函数的缺点：①对噪声数数据缺乏鲁棒性;②分类边界的问题(thepossibil

我是大黄同学呀·2022-11-03 18:15

【论文精读】SuperPoint: Self-Supervised Interest Point Detection and Description

18岁小白想成大牛·2022-11-03 08:32

【读论文】Self-supervised feature adaption for infrared and visible image fusion

Self-supervisedfeatureadaptionforinfraredandvisibleimagefusion介绍小知识常用的两类用于图像融合的神经网络架构红外融合的障碍贡献相关工作基于深度学习的融合方法DenseFuseIFCNN，U2Fusion基于GAN的特征自适应方法FusionGANDDcGAN提出的方法SFANet解码器块注意力解码器总结IVFENet训练SFANetIV

小王不头秃·2022-11-03 08:57

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

【弱监督学习】End-to-end weakly supervised semantic segmentation with reliable region mining

0.前言这是一篇2022年发表在PatternRecognition期刊上的一篇有关弱监督语义分割的文章。由于只使用图像级标签来训练语义分割模型扔充满挑战，并且现有弱监督方法都是两阶段的方法，缺少一个端对端的方法。所以本文提出了一个新的端对端弱监督语义分割方法。1.介绍只是用图像级标签来训练语义分割模型非常充满挑战性，这是因为没有像素级的标签可以供模型学习，模型不能直接学习到像素级到像素级的映射关

几维wk·2022-11-02 16:25

【弱监督学习】Learning deep semantic segmentation network under multiple weakly-supervised constraints ...

0.前言文章全名《Learningdeepsemanticsegmentationnetworkundermultipleweakly-supervisedconstraintsforcross-domainremotesensingimagesemanticsegmentation》这是一篇2021年发表在ISPRS上的一篇关于遥感图像分割的文章，通过设计一个新的弱监督目标函数和一个动态优化策略

几维wk·2022-11-02 16:55

【弱监督学习】Weakly supervised segmentation of SAR imagery using superpixel and hierarchically adversarial

0.前言这是一篇2019年发表在Remotesensing期刊上的有关SAR图像语义分割的弱监督工作。这篇文章的动机是要解决现有的大多数方法通常忽略图像的外观和空间连续性、需要大量的训练数据、算法不能够实现实时性的问题。提出了一种结合条件GAN（CGAN）和CRF的一种弱监督语义分割方法。1.介绍SAR语义分割十分重要，现有主流的传统分割方法有：超像素分割方法、分水岭分割方法和水平集分割方法。CR

几维wk·2022-11-02 16:55

(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

李宏毅机器学习--self-supervised：BERT、GPT、Auto-encoder

目录Self-SupervisedLearningBERTBERT训练maskinginput（随机遮盖一些输入单位）nextsentenceprediction（预测前后两个句子是否相接）BERT的fine-tune应用BERT框架GLUE（测试BERT的能力）case1-语句分类case2-词性标注case3-句意立场分析case4-问答系统Pre-trainingaseq2seqmodelT

iwill323·2022-10-28 20:28

【论文阅读】Regional Semantic Contrast and Aggregation for Weakly Supervised Semantic Segmentation

论文标题：RegionalSemanticContrastandAggregationforWeaklySupervisedSemanticSegmentation作者信息：代码地址：https://github.com/maeve07/RCA.gitAbstract弱监督分割是一个非常具有挑战的任务。很多方法从单个图像或者图像对获得相对有限的语义标注信息。作者提出来使用弱标签的训练集数据进行丰富

阿委困的不能行·2022-10-19 14:19

【论文阅读】Cross Language Image Matching for Weakly Supervised Semantic Segmentation

这篇论文是CLIP模型较早的在弱监督分割上应用的论文。论文标题：CrossLanguageImageMatchingforWeaklySupervisedSemanticSegmentation作者信息：代码地址：https://github.com/CVI-SZU/CLIMSAbstract（CAM的缺点）CAM只激活个别类别的对象区域，并且经常错误的把很多相似的区域也包含进来。（WSSS的缺点

阿委困的不能行·2022-10-19 14:19

CVPR 2021 论文和开源项目合集(Papers with Code)

CVPR2021论文开源目录】https://github.com/amusi/CVPR2021-Papers-with-CodeBackboneNASGANVisualTransformer自监督(Self-Supervised

人工智能与算法学习·2022-10-19 07:54

【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

GCN代码详解（SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS（2017ICLR））

不足之处请大家多多指点！文章目录链接代码详解链接论文题目：用图卷积网络进行自监督分类（GCN）（2017ICLR）论文链接：1609.02907v3.pdf(arxiv.org)代码链接：tkipf/pygcn:GraphConvolutionalNetworksinPyTorch(github.com)代码讲解（非本人）：4.1_GCN代码_哔哩哔哩_bilibili注意：这里给的代码链接是用P

刘大彪·2022-10-08 07:35

【cvpr-论文笔记】《Seed, Expand and Constrain: Three Principles for Weakly-Supervised Image Segmentation》

目录文章概述符号解读核心思路SeedinglosswithlocalizationcuesExpansionlosswithglobalweightedrankpoolingConstrain-to-boundaryloss训练与反向传播研究相关测试方法实验方法现有不足本文记录弱监督语义分割领域论文笔记《Seed,ExpandandConstrain:ThreePrinciplesforWeakl

想吃可爱多_·2022-10-06 07:24

谣言检测论文精度——10.Supervised Contrastive Learning for Multimodal Unreliable News Detection in COVID-19

Abstract作者在这一小节提出了自己关于谣言检测的新见解以及新模型：新闻报道的可信度不应孤立地考虑。相反，可以使用之前发布的关于类似事件的新闻文章来评估新闻报道的可信度。受此启发，我们提出了一个基于BERT的多模式不可靠新闻检测框架，该框架利用对比学习策略从不可靠文章中捕获文本和视觉信息。对比学习者与不可靠新闻分类器进行交互，将相似的可信新闻（或类似的不可靠新闻）推得更近，同时在多模态嵌入空间

头发没了还会再长·2022-10-04 07:08

学习weka（7）：weka数据预处理方法

2、数据预处理方法可以看到其filters可以分为五类，重点是画红框的部分：supervised是有监督的，unsupervised是无监督的；每一种往下分，又分为基于attribute（属性列）和instance

蓝亚之舟·2022-10-03 15:48

自监督学习（self-supervised learning）

self-supervisedlearningself-supervisedlearningBERTBERT基本架构GeneralLanguageUnderstandingEvaluation（GLUE）howtouseBERTcase1case2case3case4trainingBERTischallengingpre-trainingaseq2seqmodelwhydoesBERTwork?

静妮子i·2022-10-03 07:43

Supervised Contrastive Replay 论文详解通过NCM分类器和图片回放实现增量学习

论文地址：[2103.13885]SupervisedContrastiveReplay:RevisitingtheNearestClassMeanClassifierinOnlineClass-IncrementalContinualLearning(arxiv.org)Supervisedcontrastivereplay:revisitingthenearestclassmeanclassi

祥瑞Coding·2022-09-28 09:29

论文阅读 - RoSGAS: Adaptive Social Bot Detection with ReinforcedSelf-Supervised GNN Architecture Search

论文：RoSGAS：具有增强的自我监督GNN架构搜索的自适应社交机器人检测论文链接：https://arxiv.org/pdf/2206.06757.pdfhttps://arxiv.org/pdf/2206.06757.pdfJournals--CoRR2022(ComputingResearchRepository)CoRR是arXiv电子服务的一部分。提交给arXiv的文件必须符合康奈尔大学

无脑敲代码，bug漫天飞·2022-09-28 07:02

树莓派4B/Raspberry Pi4B 安装Home Assistant Core以及HACS商店

参考了官网指南和网络经验https://github.com/home-assistant/supervised-installer更新系统源至清华源sudocp/etc/apt/sources.list

BohanL·2022-09-27 17:01

Semi-supervised Learning on Graphs with Generative Adversarial Nets

ABSTRACT我们研究了生成对抗网（GANs）如何帮助图的半监督学习。我们首先介绍了图的对抗学习的工作原理，然后提出了图的半监督学习的一种新方法GraphSGAN。在GraphSGAN中，生成器和分类器网络进行了一种新颖的竞争博弈。在平衡状态下，生成器在子图之间的低密度区域生成假样本。为了区分真假样本，分类器隐式地考虑了子图的密度特性。提出了一种有效的对抗学习算法，在理论上保证了对传统规范化图拉

小有名气的可爱鬼·2022-09-27 09:19

Socially-Aware Self-Supervised Tri-Training forRecommendation

Theexistingself-supervisedlearning(SSL)methodsmainlyconductself-discriminationbasedcontrastivelearning,whereagivennodecanjustexploittheinformationfromitselfinanotherview.Incontrast,Yuetal.proposedasoc

_penghnu·2022-09-26 07:48

近年多示例论文阅读(3): Efficient multi-kernel multi-instance learning using weakly supervised and imbalanced

目录基本信息1.主要思想1.1摘要1.1.1目标1.1.2方法1.1.3结果1.2引言基本信息题目:使用弱监督和不平衡数据进行糖尿病视网膜病变诊断的高效多核多示例学习等级:2018年发表在医学顶刊ComputerizedMedicalImagingandGraphics(CMIG)。代码:暂无bib:@article{cao2018efficient,title={Efficientmulti-k

starplus酱·2022-09-19 11:30

Augmenting Few-Shot Learning With Supervised Contrastive Learning

https://github.com/taemin-lee/SPTAABSTRACT小样本学习处理少量数据，这会导致传统交叉熵损失的性能不足。我们为小样本学习场景提出了一种预训练方法。也就是说，考虑到特征提取器的质量是少样本学习的关键因素，我们使用对比学习技术来增强特征提取器。据报道，将监督对比学习应用于转导小样本训练管道中的基类训练可以提高结果，优于Mini-ImageNet和CUB上的最新方法

哈哈哈hhhhhh·2022-09-17 13:52

Semi and Weakly Supervised Semantic Segmentation Using Generative Adversarial Network

SemiandWeaklySupervisedSemanticSegmentationUsingGenerativeAdversarialNetwork3.3WeaklySupervisedlearningusingConditionalGenerativateAdversarialNetworksGAN的最近扩展是条件GAN[16]，其中向发生器和鉴别器提供额外信息（例如，图像类标签）以驱动发生

而濡木染·2022-09-10 07:12

Self-supervised Video Transformer 阅读

目录1.介绍2.SVT2.1SVT结构2.2自监督训练MotionCorrespondencesCross-ViewCorrespondences2.3SVTloss1.介绍本文是针对videotransformer进行自监督训练，从一个给定的视频中，创建具有不同空间大小和帧率的局部和全局时空视图，自监督的目标是寻找相同视频的不同视图特征之间的匹配。Self-supervisedVideoTran

scarlet witcher·2022-09-07 10:41

DISCOBOX: Weakly Supervised Instance Segmentation and Semantic Correspondence from Box Supervision

0.AbstractWeintroduceDiscoBox,anovelframeworkthatjointlylearnsinstancesegmentationandsemanticcorrespondenceusingboundingboxsupervision.Speciﬁcally,weproposeaself-ensemblingframeworkwhereinstancesegmen

LiBiGo·2022-09-07 10:08

【论文笔记之 Speech Separation Overview】Supervised Speech Separation Based on Deep Learning-An Overview

本文对汪徳亮于2017年在IEEE/ACMTransactionsonAudio,Speech,andLanguageProcessing上发表的论文进行简单地翻译，如有表述不当之处欢迎批评指正。欢迎任何形式的转载，但请务必注明出处。论文链接：https://web.cse.ohio-state.edu/~wang.77/papers/Wang-Chen.taslp18.pdf。目录1.论文目的2

浩哥依然·2022-09-06 08:44

【论文笔记】—低光图像增强—Supervised—URetinex-Net—2022-CVPR

【论文介绍】【题目】：URetinex-Net:Retinex-basedDeepUnfoldingNetworkforLow-lightImageEnhancement【会议】：2022-CVPR【机构】：深圳大学【作者】：WenhuiWu,JianWeng,PingpingZhang,XuWang,WenhanYang,JianminJiang【paper】：https://openacces

chaikeya·2022-09-03 19:44

NLP之文本分类(二)---FastText

参考资料：https://blog.csdn.net/feilong_csdn/article/details/88655927https://fasttext.cc/docs/en/supervised-tutorial.htmlhttps

Catherine_In_Data·2022-09-02 07:07

Learning Affinity from Attention End-to-End Weakly-Supervised Semantic Segmentation withTransformers

LearningAffinityfromAttention:End-to-EndWeakly-SupervisedSemanticSegmentationwithTransformers来源：CVPR2022，武汉大学、京东、悉尼大学导言本文是一篇做自然图像弱监督语义分割的论文，利用图像级的类别标签来实现像素级的语义分割。文中方法采用了基于transformer模块作为骨干网络，利用分类网络各类别

Yeelinsen·2022-09-01 07:27

2021_KDD_Socially-Aware Self-Supervised Tri-Training for Recommendation

[论文阅读笔记]2021_KDD_Socially-AwareSelf-SupervisedTri-TrainingforRecommendation论文下载地址：https://doi.org/10.1145/3447548.3467340发表期刊：KDDPublishtime:2021作者及单位:JunliangYuTheUniversityofQueenslandBrisbane,Austr

XingHe_XingHe_·2022-08-28 07:59

CS231n-assignment3-Self-Supervised Learning

什么是自我监督学习?现代机器学习需要大量的标记数据。但通常情况下，获取大量人类标记数据是具有挑战性和/昂贵的。有没有一种方法，我们可以让机器自动学习一个模型，可以生成良好的视觉表示，而无需标记数据集?是的，自我监督学习!自我监督学习(SSL)允许模型使用给定数据集中的数据自动学习“好的”表现空间，而不需要标签。具体来说，如果我们的数据集是一堆图像，那么自我监督学习允许模型学习并生成“好的”图像表现

Esaka7·2022-08-27 07:32

【论文笔记】Semi-supervised Domain Adaptation via Minimax Entropy(ICCV 2019)

论文：https://arxiv.org/abs/1904.06487v5代码：http://cs-people.bu.edu/keisaito/research/MME.html1.介绍本文主要针对半监督领域自适应的场景，在分类器后加入一个分类层，用线性层中的每个类别对应的特征向量原型，与特征提取器出的样本特征向量相乘得到属于该类别的概率。利用对抗训练方式分别对分类层进行熵最大化，对特征提取器进

49号西瓜·2022-08-18 07:32

论文翻译：图卷积入门-SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS

我们提出了一种可扩展的在图结构数据上进行半监督学习的方法，它基于一种直接在图上操作的卷积神经网络的有效变体。我们通过频谱图卷积的局部一阶近似来激励卷积架构的选择。我们的模型以图形边的数量线性缩放，并学习编码局部图结构和节点特征的隐藏层表示。在引文网络和知识图数据集的大量实验中，我们证明了我们的方法。我们考虑对图(如引文网络)中的节点(如文档)进行分类的问题，其中标签只对一小部分节点可用。这个问题可

王壹浪·2022-08-08 07:10

【论文阅读】TEMPORAL ENSEMBLING FOR SEMI-SUPERVISED LEARNING

下载代码地址1.摘要在本文中，我们提出了一种简单有效的方法，用于在半监督环境中训练深度神经网络，其中只有一小部分训练数据被标记。我们引入了自集成，我们使用网络在不同时期的训练输出形成对未知标签的共识预测，最重要的是，在不同的正则化和输入增强条件下。与最近训练时期的网络输出相比，这种集成预测可以预期是对未知标签更好的预测器，因此可以用作训练的目标。Notice:文章开门见山的表示这个是半监督深度神经

来日可期1314·2022-07-29 11:49

【论文阅读】Intrinsically semi-supervised methods

目录1Maximum-marginmethods2Perturbation-basedmethods2.1Laddernetworks2.2Pseudo-ensembles2.2.1Π\mathrm{\Pi}Π-model和Temporalensembling2.2.2MeanTeacher2.2.3Virtualadversarialtraining3Manifolds4Generativemo

来日可期1314·2022-07-29 11:19

AIOPS 学习之路

异常检测Anomalydetectiontechniquescanalsobeclassifiedintothreemodes,supervised,semi-supervisedandunsupervisedunsupervisedVAE

YueTann·2022-07-23 22:25

论文解读（ValidUtil）《Rethinking the Setting of Semi-supervised Learning on Graphs》

论文信息论文标题：RethinkingtheSettingofSemi-supervisedLearningonGraphs论文作者：ZiangLi,MingDing,WeikaiLi,ZihanWang,ZiyuZeng,YukuoCen,JieTang论

Learner-·2022-07-07 17:00

【论文阅读】ALBERT: A LITE BERT FOR SELF-SUPERVISED LEARNING OF LANGUAGE REPRESENTATIONS

【论文阅读】ALBERT:ALITEBERTFORSELF-SUPERVISEDLEARNINGOFLANGUAGEREPRESENTATIONS前言在BERT提出之后，各种大体量的预训练模型层出不穷，在他们效果不断优化的同时，带来的是巨大的参数量和漫长的训练时间。当然对于这个问题，也有大量的研究。ALBERT是谷歌在BERT基础上设计的一个精简模型，主要为了解决BERT参数过大、训练过慢的问题。

EmoryHuang·2022-07-03 12:19

[论文笔记]S2P2 Self-Supervised Goal-Directed Path Planning Using RGB-D Data_2021ICRA

S2P2:Self-SupervisedGoal-DirectedPathPlanningUsingRGB-DDataforRoboticWheelchairs视频链接基于端到端模仿学习的路径规划的两个局限性：·需要大量的专家演示作为训练数据·现有的方法只能接收高级命令，如左转/右转。对于移动机器人(如机器人轮椅)来说，这些指令可能不够充分，因为它们通常需要精确的目标姿态，就比如向右转面对一个大空

WensongChen·2022-06-28 07:56

机器学习算法

监督(supervised)分类(classification)1.knn(kNearestNeighbors)算法：关键公式：d=(∑(xi−xtest)2)12d=(∑(xi−xtest)2)12伪代码

AinUser·2022-06-28 07:25

使用pytorch构建RNN实现多属性时间序列预测示例

下面的series_to_supervised先把数据构建成X-y形式，实际输入时用多少个时间步长作为输入由超参time-step决定。

Sophia要一直努力·2022-06-22 07:11

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

论文信息论文标题：MGAE:MaskedAutoencodersforSelf-SupervisedLearningonGraphs论文作者：QiaoyuTan,NinghaoLiu,XiaoHuang,RuiChen,Soo-HyunChoi,XiaHu论文来

Learner-·2022-06-18 10:00

论文解读（GraphMAE）《GraphMAE: Self-Supervised Masked Graph Autoencoders》

论文信息论文标题：GraphMAE:Self-SupervisedMaskedGraphAutoencoders论文作者：ZhenyuHou,XiaoLiu,YukuoCen,YuxiaoDong,HongxiaYang,ChunjieWang,JieTang论文

Learner-·2022-06-17 15:00

Semi-supervised Learning入门学习——Π-Model、Temporal Ensembling、Mean Teacher简介

知乎同名账号同步发布。通过两篇论文简单入门学习半监督的思想。论文：arxiv1610(ICLR17)TemporalEnsemblingforSemi-SupervisedLearningarxiv1703(NIPS17)Meanteachersarebetterrolemodels-Weight-averagedconsistencytargetsimprovesemi-supervisedde

umbrellalalalala·2022-06-16 07:02

推荐频道

supervised