首页/论文/2005.02251

arXiv 2005.022512020-05-11q-bio.NCcs.HCcs.LGstat.ML

浣熊与魔鬼：多类标记的P300数据集

Raccoons vs Demons: multiclass labeled P300 dataset

Neiry；MIPT（莫斯科物理技术学院）；MSU（莫斯科国立大学）

V. Goncharenko, R. Grigoryan, A. Samokhina

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

我们发布了在虚拟现实（VR）游戏《浣熊与魔鬼》（RvD）中进行的视觉P300脑机接口数据集。数据包含到达标签，包含有关刺激选择的信息，使我们能够在每个刺激预测阶段估计模型的置信度。数据和实验代码可在https://gitlab.com/impulse-neiry_public/raccoons-vs-demons上获取

英文摘要：

We publish dataset of visual P300 BCI performed in Virtual Reality (VR) game Raccoons versus Demons (RvD). Data contains reach labels incorporating information about stimulus chosen enabling us to estimate model's confidence at each stimulus prediction stage. Data and experiments code are available at https://gitlab.com/impulse-neiry_public/raccoons-vs-demons

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

多类Universum SVM

Multiclass Universum SVM

LG Silicon Valley Lab（LG硅谷实验室）；University of Minnesota（明尼苏达大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）

我们引入了多类问题的Universum学习，并提出了一种新的多类Universum SVM（MU-SVM）公式。我们还提出了一个分析跨度界模型选择的计算时间几乎2- 4倍快于标准的reserve技术。我们经验性地证明了所提出的MUSVM公式在几个真实世界数据集上的有效性，与多类SVM相比，测试精度提高了> 20%。

2018-08-23cs.LGstat.ML

多类数据集去偏的二值化方法

A Reduction to Binary Approach for Debiasing Multiclass Datasets

Google Research（谷歌研究院）

我们提出了一种新的减少到二进制（R2B）的方法，通过减少到一系列的二进制去偏任务，强制人口统计奇偶性的多类分类与非二进制敏感属性。我们证明了R2B满足最优性和偏置保证，并实证证明了它可以导致两个基线的改进：（1）通过独立地消除标签的偏置来将多类问题视为多标签，以及（2）转换特征而不是标签。令人惊讶的是，我们还表明，独立的标签去偏置产生竞争力的结果，在大多数（但不是所有）设置。我们在来自社会科学、计算机视觉和医疗保健的合成和真实世界数据集上验证了这些结论。

2022-10-10cs.LG

基于预测间隔的部分反馈在线多类分类

Online Multiclass Classification Based on Prediction Margin for Partial Feedback

The University of Tokyo（东京大学）；RIKEN（理化学研究所）

我们考虑的问题，在线多类分类与部分反馈，算法预测类的一个新的实例在每一轮，只收到其正确性。虽然已经开发了几种方法来解决这个问题，最近具有挑战性的现实世界的应用程序需要进一步的性能改进。在本文中，我们提出了一种新的在线学习算法的启发，最近的工作学习互补标签，其中一个互补标签表示一个类的实例不属于。这使我们能够以基于裕度的方式确定性地处理部分反馈，其中预测裕度已被认为是卓越经验性能的关键。我们提供了一个理论保证的基础上的累积损失界和实验证明，我们的方法优于现有的方法，这是非保证金的和随机的。

2019-02-04cs.LGstat.ML

Wasserstein分布鲁棒多分类支持向量机

Wasserstein Distributionally Robust Multiclass Support Vector Machine

Georgia Institute of Technology（佐治亚理工学院）

针对数据特征与标签不确定、不平衡数据下一对多分布鲁棒分类器表现不佳的问题，提出基于Crammer-Singer损失的Wasserstein分布鲁棒多分类SVM，含核版本与投影次梯度优化算法，在不平衡数据及真实数据集上表现更优。

2024-09-12cs.LGstat.ML

BATseg：基于3D MRI扫描的边界感知多类脊髓肿瘤分割

BATseg: Boundary-aware Multiclass Spinal Cord Tumor Segmentation on 3D MRI Scans

The Hong Kong Polytechnic University（香港理工大学）；Beijing Tiantan Hospital, Capital Medical University（首都医科大学附属北京天坛医院）；University of Macau（澳门大学）

针对脊髓肿瘤体积小、位置形态多样导致的多类分割难题，提出边界感知方法BATseg，构建首个大规模多类脊髓肿瘤MRI数据集，实验验证其在多类肿瘤分割上性能更优。

2024-12-09cs.CVcs.LGeess.IV

多类不平衡学习的协同优化：基于密度和区域引导的提升

Collaborative Optimization of Multiclass Imbalanced Learning: Density-Aware and Region-Guided Boosting

School of Mathematics and Computer, Guangdong Ocean University（数学与计算机学院，广东海洋大学）；School of Automation Engineering, University of Electronic Science and Technology of China（自动化工程学院，电子科技大学）

本研究提出一种基于密度和区域引导的提升模型，通过协同优化多类不平衡学习与模型训练，提升分类性能。

2026-09-16cs.LG

更多相关论文收起更多论文

基于异构局部专家的全局多类分类与数据集构建

Global Multiclass Classification and Dataset Construction via Heterogeneous Local Experts

Stanford University（斯坦福大学）

在数据集构建和众包领域，一个值得注意的挑战是从一组异质的标签者中聚合标签，每个标签者都可能是某些任务子集的专家（而在其他任务中不太可靠）。为了降低雇用人工标记或训练自动标记系统的成本，感兴趣的是最小化标记器的数量，同时确保所得数据集的可靠性。我们将其建模为使用较小分类器的预测执行$K$类分类的问题，每个分类器在$[K]$的一个子集上训练，并推导出在对抗性和随机假设下准确推断未标记样本的真实类所需的分类器数量的界限。通过利用连接到经典的集合覆盖问题，我们产生了一个接近最优的方案，用于设计这种配置的分类器，恢复了众所周知的一对一。一种分类方法作为特例。MNIST和CIFAR-10数据集的实验证明了我们的聚合方案应用于在数据子集上训练的分类器的良好准确性（与集中式分类器相比）。这些结果提出了一种新的方法来自动标记数据或适应现有的一组局部分类器，以更大规模的多类问题。

2021-01-05cs.ITcs.LGmath.IT

DeepWeeds：用于深度学习的多类杂草物种图像数据集

DeepWeeds: A Multiclass Weed Species Image Dataset for Deep Learning

College of Science and Engineering, James Cook University（詹姆斯·库克大学理工学院）

机器人杂草控制最近的研究越来越多，其在提高农业生产力方面的潜力。大部分的工作集中在开发用于农田的机器人技术，忽视了牧场畜牧业农民面临的杂草管理问题。也许广泛采用机器人杂草控制的最大障碍是杂草物种在其自然环境中的稳健分类。深度学习无与伦比的成功使其成为在复杂的牧场环境中识别各种杂草物种的理想候选者。这项工作贡献了第一个大型的，公共的，多类图像数据集的杂草物种从澳大利亚牧场;允许开发强大的分类方法，使机器人杂草控制可行。DeepWeeds数据集由17，509张标记图像组成，这些图像来自澳大利亚北部八个地区的八种全国重要杂草物种。本文使用基准深度学习模型Inception-v3和ResNet-50提供了数据集分类性能的基线。这些模型的平均分类准确率分别为95.1%和95.7%。我们还展示了ResNet-50架构的实时的性能，每个图像的平均推理时间为53.4 ms。这些强有力的结果预示着未来在澳大利亚牧场现场实施机器人杂草控制方法。

2019-02-14cs.CVcs.LGstat.ML

跨语言希望检测：面向积极在线话语的多类别分类

Detecting Hope Across Languages: Multiclass Classification for Positive Online Discourse

Instituto Politécnico Nacional, Centro de Investigación en Computación（墨西哥国家理工学院计算研究中心）

针对英语、乌尔都语和西班牙语的希望性言论，本文基于 XLM-RoBERTa 构建三分类模型，在 PolyHope-M 2025 上以 macro F1 超越既有方法。

2025-09-30cs.CLcs.LG

AG-TAL：基于解剖学的拓扑感知损失用于使用大规模多中心数据集的Willis环多类分割

AG-TAL: Anatomically-Guided Topology-Aware Loss for Multiclass Segmentation of the Circle of Willis Using Large-Scale Multi-Center Datasets

Laboratory of Brain Atlas and Brain-inspired Intelligence, Institute of Automation, Chinese Academy of Sciences（脑图谱与脑启发智能实验室，自动化研究所，中国科学院）；State Key Laboratory of Brain Cognition and Brain-inspired Intelligence Technology, Chinese Academy of Sciences（脑认知与脑启发智能技术国家重点实验室，中国科学院）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；School of Future Technology, University of Chinese Academy of Sciences（中国科学院大学未来技术学院）

本文提出AG-TAL损失函数，通过整合半径感知Dice损失、断裂感知clDice损失和邻接感知共现损失，提升Willis环多类分割的准确率与泛化能力。

2026-04-30cs.CVcs.LG

一种基于卷积神经网络的复杂多类芸薹属种子分类新框架

A Novel Convolutional Neural Network-Based Framework for Complex Multiclass Brassica Seed Classification

University of Irvine（尔湾大学）；Ankara University（安卡拉大学）；Polytechnic School of Montreal（蒙特利尔理工学院）

本研究提出一种定制CNN框架解决十种芸薹属种子纹理相似导致的分类难题，实验表明该模型准确率达93%，优于预训练架构，助力农业质量控制。

2025-05-26cs.AIcs.CVcs.LG

用于噪声标签学习的单变量基函数鲁棒损失

Robust Losses from Univariate Base Functions for Noisy-Label Learning

School of Mathematics, Harbin Institute of Technology（哈尔滨工业大学数学学院）；School of Earth and Space Sciences, Peking University（北京大学地球与空间科学学院）

针对噪声标签学习问题，提出从单变量基函数构建鲁棒多类损失的框架，开发两种方案并分析其性质，推导理论标准，所提损失在多噪声设置下经实验验证有竞争力或更优。

2026-07-21cs.LG

BanglaMM-Disaster: 一种基于Transformer的多模态深度学习框架，用于孟加拉语多类灾害分类

BanglaMM-Disaster: A Multimodal Transformer-Based Deep Learning Framework for Multiclass Disaster Classification in Bangla

Department of Computer Science and Engineering（计算机科学与工程系）；Chittagong University of Engineering and Technology（奇特格隆工程与技术大学）；Department of Electronics and Telecommunication Engineering（电子与电信工程系）；Wilmington University（维明顿大学）；College of Graduate and Professional Studies（研究生与专业研究学院）；Trine University（特林大学）

BanglaMM-Disaster通过结合文本和视觉数据，提出了一种多模态深度学习框架，用于孟加拉语多类灾害分类，提升了灾害响应效率。

2025-11-26cs.CVcs.LG