Rethinking Saliency-Guided Weakly-Supervised Semantic Segmentation
NAVER Cloud(NAVER云);KAIST(韩国科学技术院)
本文通过实证分析揭示显著性图质量与阈值选择对 WSSS 的关键影响,并提出统一标准化框架 WSSS-BED,以支持更严谨的显著性引导弱监督语义分割研究。
2024-04-02 cs.CV
Beyond Accuracy: Statistical Measures and Benchmark for Evaluation of Representation from Self-Supervised Learning
University of Surrey(萨里大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出基于ImageNet-21K和WordNet的大规模统计度量学习基准SMLB及overlap、aSTD两个新指标,超越准确率从可分离性和一致性角度评估自监督学习表示质量,并揭示了监督学习局限与SSL模型的类别偏差。
2023-12-02 cs.CV
Urban Change Detection Using a Dual-Task Siamese Network and Semi-Supervised Learning
KTH Royal Institute of Technology(KTH皇家理工学院)
在这项研究中,一个半监督学习(SSL)的方法,以提高城市变化检测从双时相图像对。该方法采用了双任务连体差分网络,不仅预测变化的差异解码器,但也分割建筑物的两个图像与语义解码器。首先,修改架构以产生从语义预测导出的第二变化预测。第二,采用SSL来改进监督变化检测。对于未标记的数据,我们引入了一个损失,鼓励网络在两个变化输出中预测一致的变化。使用SpaceNet7数据集对所提出的方法进行了城市变化检测测试。与三个完全监督的基准测试相比,SSL取得了更好的结果。
2022-07-03 cs.CV
Evaluating Self and Semi-Supervised Methods for Remote Sensing Segmentation Tasks
Google Research India(谷歌印度研究院);Google LLC(谷歌有限责任公司)
自监督和半监督机器学习技术利用未标记的数据来提高下游任务性能。这些方法对于遥感任务特别有价值,因为制作标记的地面实况数据集可能非常昂贵,但可以轻松获得大量未标记的图像。我们进行了严格的评估Simplified,一种自我监督的方法,和FixMatch,一种半监督的方法,在三个遥感任务:河床分割,土地覆盖制图,洪水制图。当原始监督数据集之外的其他图像可用于训练时,我们量化了这些遥感分割任务的性能改进。我们还设计了实验来测试这些技术的有效性时,测试集是域转移到不同的地理区域的样本相比,训练和验证集。我们发现,这种技术显着提高泛化性能时,标记的数据是有限的,有地理域之间的训练数据和验证/测试数据的变化。
2022-06-19 cs.CV cs.LG
Holistic Semi-Supervised Approaches for EEG Representation Learning
Queen's University(女王大学)
最近,监督的方法,这往往需要大量的类标签,取得了可喜的成果,脑电表示学习。然而,标记EEG数据是一项具有挑战性的任务。最近,整体半监督学习方法,它只需要很少的输出标签,在计算机视觉领域显示出有前途的结果。然而,这些方法还没有适应EEG学习。在本文中,我们采用了三种最先进的整体半监督方法,即MixMatch,FixMatch和AdaMatch,以及五种经典的EEG学习半监督方法。我们使用所有8种方法在两个公共的基于EEG的情感识别数据集(即SEED和SEED-IV)上进行了严格的实验。不同数量的有限标记样本的实验表明,整体方法实现强大的结果,即使只有1个标记的样本是每个类。进一步的实验表明,在大多数情况下,AdaMatch是最有效的方法,其次是MixMatch和FixMatch。
2022-02-10 cs.CV cs.LG
Building One-Shot Semi-supervised (BOSS) Learning up to Fully Supervised Performance
US Naval Research Laboratory(美国海军研究实验室)
使用未标记的数据达到完全监督学习的性能并且每个类仅标记一个样本对于深度学习应用来说可能是理想的。我们首次展示了在Cifar-10和SVHN上构建一次性半监督(BOSS)学习的潜力,以达到与完全监督学习相当的测试精度。我们的方法结合了类原型提炼,类平衡和自我训练。一个好的原型选择是必不可少的,我们提出了一种技术,以获得图标的例子。此外,我们证明了类平衡方法大大提高了半监督学习的准确性,使自我训练达到完全监督学习性能的水平。严格的经验评估提供了证据,证明标记大型数据集对于训练深度神经网络是不必要的。我们在https://github.com/lnsmith54/BOSS上提供了我们的代码,以便于复制和用于未来的实际应用程序。
2021-01-26 cs.CV cs.LG cs.NE
Semi-Supervised Action Recognition with Temporal Contrastive Learning
IIT Madras(印度理工学院马德拉斯分校);IIT Kharagpur(印度理工学院卡哈拉格普尔分校);MIT-IBM Watson AI Lab(MIT-IBM沃森人工智能实验室);Boston University(波士顿大学)
由于缺乏繁琐收集的活动标签,学习仅从少数标记的视频中识别动作是一个具有挑战性的问题。我们通过使用两种不同速度的未标记视频学习双通道时间对比模型来解决这个问题,利用改变视频速度不会改变动作的事实。具体来说,我们建议最大限度地提高编码表示的同一视频在两个不同的速度之间的相似性,以及最小化不同的视频之间的相似性,以不同的速度播放。通过这种方式,我们使用了丰富的监督信息,即在其他无监督的视频池中存在的“时间”。通过这种简单而有效的操纵视频播放速率的策略,我们在多个不同的基准数据集和网络架构上大大优于先进的半监督图像识别方法的视频扩展。有趣的是,我们提出的方法受益于域外未标记的视频显示泛化和鲁棒性。我们还进行了严格的消融和分析,以验证我们的方法。项目页面:https://cvir.github.io/TCL/。
2021-03-29 cs.CV
Semi- and Weakly-supervised Human Pose Estimation
Toyota Technological Institute(丰田工业大学);Nara Institute of Science and Technology(奈良先端科学技术大学院大学)
针对静止图像中的人体姿态估计,本文提出了三种半监督和弱监督学习方案。虽然卷积神经网络的最新进展使用监督训练数据改进了人体姿势估计,但我们的重点是探索半监督和弱监督方案。我们提出的方案最初从少量带有人类姿势注释的标准训练图像中学习用于姿势估计的传统模型。对于第一种半监督学习方案,这种传统的姿态模型在没有人类注释的情况下检测训练图像中的候选姿态。从这些候选姿势中,只有真阳性被分类器使用表示所有身体部位的配置的姿势特征选择。这些候选姿势估计和真阳性姿势选择的准确性通过在我们的第二和第三学习方案中向这些图像提供动作标签来提高,所述第二和第三学习方案是半和弱监督学习。虽然第一和第二学习方案仅选择与监督训练数据中的姿态相似的姿态,但是第三方案选择与任何监督姿态显著不同的更真实肯定的姿态。该姿势选择通过使用具有Dirichlet过程混合物和贝叶斯因子的离群姿势检测的姿势聚类来实现。所提出的方案进行了验证与大规模的人体姿势数据集。
2019-06-04 cs.CV
LIDARLearn: A Unified Deep Learning Library for 3D Point Cloud Classification, Segmentation, and Self-Supervised Representation Learning
ENSIAS, Mohammed V University, Rabat, Morocco(穆罕默德五世大学ENSIAS学院,拉巴特,摩洛哥)
本文提出LIDARLearn,一个整合多种3D点云处理方法的统一深度学习库,支持分类、语义分割、部分分割和少样本学习,并提供标准化训练流程和严格多模型比较工具。
2026-04-12 cs.CV
Semi-supervised Learning: Fusion of Self-supervised, Supervised Learning, and Multimodal Cues for Tactical Driver Behavior Detection
Honda Research Institute, USA(美国本田研究院)
在本文中,我们提出了一个初步的研究,从未经修剪的自然驾驶记录的战术驾驶员行为检测。虽然基于监督学习的检测是一种常见的方法,但当标记数据稀缺时,它会受到影响。手动注释既耗时又昂贵。为了强调这个问题,我们在一个104小时的真实自然驾驶数据集上进行了实验,其中标注了一组预定义的驾驶行为。数据集中有三个挑战。首先,预定义的驾驶行为在自然驾驶环境中是稀疏的。第二,驾驶行为的分布是长尾的。第三,观察到巨大的类内变化。为了解决这些问题,最近的自我监督和监督学习和融合的多模态线索利用到我们的架构设计。初步的实验和讨论报告。
2018-07-02 cs.CV
Fine-Grained Adversarial Semi-supervised Learning
University of Florence(佛罗伦萨大学)
在本文中,我们利用半监督学习(SSL)增加的训练数据的数量,以提高细粒度视觉分类(FGVC)的性能。尽管FGVC需要高昂的注释成本,但在过去还没有研究这个问题。我们的方法利用未标记的数据与对抗性优化策略,其中内部特征表示是用二阶池模型获得的。这种组合允许将由二阶池表示的部分信息反向传播到对抗训练设置中的未标记数据上。我们通过对六个最先进的细粒度数据集进行实验来证明组合使用的有效性,这些数据集包括Aircraft,Stanford Cars,CUB-200-2011,Oxford Flowers,Stanford Dogs和最近的半监督iNaturalist-Aves。实验结果清楚地表明,我们提出的方法具有更好的性能比以前唯一的方法,检查这个问题,它也获得了更高的分类精度与监督学习方法,我们比较。
2021-10-12 cs.CV
FUSC: Fetal Ultrasound Semantic Clustering of Second Trimester Scans Using Deep Self-supervised Learning
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Abu Dhabi Health Services Company (SEHA)(阿布扎比健康服务公司)
本文提出FUSC方法,利用深度自监督学习对孕中期胎儿超声图像进行无监督语义聚类,在88,063张图像上训练并在8,187张图像上验证,聚类纯度超过92%,减少了对人工标注的依赖。
2024-01-16 cs.CV
NearbyPatchCL: Leveraging Nearby Patches for Self-Supervised Patch-Level Multi-Class Classification in Whole-Slide Images
University of Science, VNU-HCM(越南胡志明市国家大学理学院);Vietnam National University, Ho Chi Minh City(越南胡志明市国家大学)
针对全玻片图像补丁级分类中类别不平衡导致的表征不稳定问题,提出NearbyPatchCL自监督方法,以邻近补丁为正样本结合解耦对比损失,仅用1%标注数据即可达到媲美全监督的效果,还构建了犬类皮肤癌组织学新基准数据集。
2023-12-12 cs.CV
Finding Optimal Video Moment without Training: Gaussian Boundary Optimization for Weakly Supervised Video Grounding
Electronics and Telecommunications Research Institute(电子通信研究院);University of Science and Technology (UST)(科学技术联合大学院大学);University of Seoul(首尔市立大学)
本文提出GBO方法,通过解决优化问题提升弱监督视频定位的定位性能,无需训练且兼容多种提案架构。
2026-02-04 cs.CV
LEDetection: A Simple Framework for Semi-Supervised Few-Shot Object Detection
LexisNexis Risk Solutions(律商联讯风险解决方案)
本文研究标签稀缺场景下的半监督少样本目标检测,提出结合伪标签与区域提议一致性学习的SoftER Teacher框架,利用无标签数据提升检测性能,仅用10%基础标签即超越强监督基线且避免灾难性遗忘。
2024-02-14 cs.CV cs.LG
Learning without Prejudice: Avoiding Bias in Webly-Supervised Action Recognition
Technische Universität München(慕尼黑工业大学);Johns Hopkins University(约翰斯·霍普金斯大学);University of Padova(帕多瓦大学)
Webly-监督学习最近出现作为传统监督学习的替代范例,其基于具有手动注释的大规模数据集。关键的想法是,像CNN这样的模型可以从网络上的嘈杂视觉数据中学习。在这项工作中,我们的目标是利用网络数据的视频理解任务,如动作识别和检测。网络监督学习的主要问题之一是从网络中清除带噪声的标记数据。最先进的范例依赖于在噪声数据上训练第一分类器,然后用于清理剩余的数据集。我们的关键见解是,这个过程使第二个分类器偏向于第一个分类器理解的样本。在这里,我们训练两个独立的CNN,一个是基于Web图像和视频帧的RGB网络,另一个是使用来自光流的时间信息的网络。我们表明,独立训练网络远远优于使用我们的RGB网络为流分类器选择帧。此外,我们还展示了从异构公共Web数据库中使用不同数据源丰富训练集的好处。我们证明了我们的框架在两个公共基准(UCF-101和Thumos'14)上优于所有其他webly监督方法。
2017-06-14 cs.CV
Diversified Multi-prototype Representation for Semi-supervised Segmentation
ETS Montreal(蒙特利尔高等技术学院)
该工作将半监督分割视为基于原型向量相关性的密集预测问题,并提出了一种简单的方法来用多个原型表示每个分割类。为了避免退化的解决方案,两个正则化策略应用于未标记的图像。第一个利用互信息最大化来确保网络考虑所有原型向量。第二个显式强制原型正交最小化他们的余弦距离。两个基准的医学分割数据集上的实验结果表明,我们的方法在提高分割性能的有效性时,很少有注释的图像。
2021-11-16 cs.CV
RelationMatch: Matching In-batch Relationships for Semi-supervised Learning
IIIS, Tsinghua University(清华大学智能产业研究院(注:IIIS为Institute for Interdisciplinary Information Sciences的缩写,常见译名为交叉信息研究院));Department of Math, Tsinghua University(清华大学数学系)
本文提出RelationMatch框架,通过矩阵交叉熵损失显式建模小批量样本间关系一致性,在半监督学习中取得领先性能,并在STL-10上比FlexMatch准确率提升15.21%。
2025-03-12 cs.CV cs.LG
Are We Overconfident in Models and Results for Semi-Supervised 3D Medical Image Segmentation?
Institute of Systems Science and Technology, School of Electrical Engineering, Southwest Jiaotong University, China(系统科学与技术研究院,电气工程学院,西南交通大学,中国)
针对半监督医学图像分割中伪标签框架的确认偏差和基准测试集使用不当导致的性能高估问题,提出一种基于双轴可靠性评估的三空间校准分割框架(TCSeg),以解耦置信度与不确定性并协同校正偏差。
2026-05-25 cs.CV
Weakly-supervised Generative Adversarial Networks for medical image classification
Hangzhou Dianzi University(杭州电子科技大学);Zhejiang University of Science and Technology(浙江科技学院)
弱监督学习是近年来研究的热点。在本文中,我们提出了一种新的医学图像分类算法,称为弱监督生成对抗网络(WSGAN),它只使用少量的真实图像没有标签,以产生假图像或掩模图像,以扩大训练集的样本量。首先,我们结合MixMatch为假图像和未标记图像生成伪标签来进行分类。其次,将对比学习和自注意力机制引入到该问题中,以提高分类精度。第三,循环一致性损失很好地解决了模式坍塌的问题。最后,我们设计了全局和局部分类器,以补充分类所需的关键信息。在四个医学图像数据集上的实验结果表明,WSGAN可以在使用少量标记和未标记数据的情况下获得相对较高的学习性能。例如,WSGAN的分类精度比排名第二的MIXMATCH高11%,OCT数据集上有100个标记图像和1000个未标记图像。此外,我们还进行了消融实验,以验证我们的算法的有效性。
2021-11-30 cs.CV
Road Detection through Supervised Classification
Chemnitz University of Technology(开姆尼茨工业大学);Drexel University(德雷塞尔大学)
自动驾驶是一项快速发展的技术。自主车辆能够通过诸如雷达、激光雷达、GNSS、车辆里程计和计算机视觉之类的传感信息来感测其环境并在没有人类输入的情况下进行导航。这种感官输入提供了丰富的数据集,可以与机器学习模型结合使用,以解决监督设置中的多个问题。在本文中,我们专注于道路检测通过灰度图像作为唯一的感官输入。我们的贡献是双重的:首先,我们为机器学习任务引入了一个城市道路的注释数据集;其次,我们通过监督分类和手工制作的特征向量在这个数据集上引入了一个道路检测框架。
2016-05-10 cs.CV
Warm Start Active Learning with Proxy Labels \& Selection via Semi-Supervised Fine-Tuning
NVIDIA(英伟达)
在构建用于深度学习的医学成像数据集时,下一步注释哪一卷是一个具有挑战性的问题。主动学习是解决这一问题的有效方法之一。然而,AL一直是一个很难破解的AL算法和采集功能是最有用的数据集。此外,当开始时没有标记的数据时,首先标记哪些卷会加剧问题。这被称为AL中的冷启动问题。我们提出了两个新的战略AL专门用于3D图像分割。首先,我们提出了一个代理任务,然后利用代理任务产生的不确定性排名的未标记的数据进行注释来解决冷启动问题。其次,我们为每个活动迭代制作了一个两阶段的学习框架,其中未标记的数据也用于第二阶段作为半监督微调策略。我们展示了我们的方法在两个著名的大型公共数据集上的承诺,这些数据集来自医疗分割十项全能。结果表明,初始数据的选择和半监督框架都表现出显着的改善几个AL策略。
2022-09-13 cs.CV
Decoupled Competitive Framework for Semi-supervised Medical Image Segmentation
Zhejiang University of Technology(浙江工业大学)
针对半监督医学图像分割中MT结构过度耦合与DS结构认知偏差导致模型崩溃的问题,提出解耦竞争框架(DCF),利用竞争机制动态更新EMA并促进学生网络间精确见解交换,在2D和3D数据集上验证了其优越性。
2025-05-30 cs.CV
Barely-Supervised Learning: Semi-Supervised Learning with very few labeled images
Naver Labs Europe(Naver实验室欧洲)
本文解决的问题,半监督学习时,一组标记的样本是有限的,每个类的图像数量很少,通常小于10,我们称之为勉强监督学习的问题。我们深入分析了最先进的半监督方法FixMatch的行为,该方法依赖于图像的弱增强版本来获得更强增强版本的监督信号。我们表明,它经常在几乎没有监督的情况下失败,由于缺乏训练信号时,没有伪标签可以预测具有高置信度。我们提出了一种利用自监督方法的方法,该方法在缺乏自信伪标签的情况下提供训练信号。然后,我们提出了两种方法来完善的伪标签选择过程,导致进一步的改进。第一个依赖于模型预测的每个样本历史,类似于投票方案。第二个迭代更新类相关的置信度阈值,以更好地探索在伪标签中表示不足的类。我们的实验表明,我们的方法在几乎没有监督的情况下在STL-10上表现得更好,例如,每个类有4或8个标记的图像。
2021-12-22 cs.CV
Similarity-Dissimilarity Loss for Multi-label Supervised Contrastive Learning
University of Essex(埃塞克斯大学);Queen Mary University of London(伦敦大学玛丽女王学院)
本文提出相似性-差异性损失,通过动态加权样本解决多标签场景下正样本确定问题,提供理论证明并统一单标签与多标签对比学习框架,实验表明方法在图像、文本和医疗领域均优于基线。
2026-06-13 cs.CL cs.CV cs.LG
Sharpness & Shift-Aware Self-Supervised Learning
VinAI Research(VinAI研究院);Monash University(莫纳什大学)
本文针对自监督学习的下游分类任务,提出最小化特征提取器锐度并采用基于傅里叶的数据增强技术缓解正样本对分布的数据偏移,构建了SSA-CLR框架,显著提升了性能与特征鲁棒性。
2023-05-17 cs.CV cs.LG
Boosting Contrastive Self-Supervised Learning with False Negative Cancellation
Google(谷歌);Google Research(谷歌研究院);TTI-Chicago(芝加哥丰田技术研究所);University of Chicago(芝加哥大学)
自我监督表示学习在对比学习的进步推动下取得了重大飞跃,对比学习试图学习将正输入对嵌入附近,同时将负输入对推离很远的转换。虽然可以可靠地生成正对(例如,作为同一图像的不同视图),很难准确地建立否定对,否定对被定义为来自不同图像的样本,而不管它们的语义内容或视觉特征。对比学习的一个基本问题是减轻假阴性的影响。对比假否定导致了表示学习中的两个关键问题:丢弃语义信息和收敛速度慢。在本文中,我们提出了新的方法来识别假阴性,以及两种策略,以减轻其影响,即假阴性消除和吸引力,同时系统地进行严格的评估,详细研究这个问题。我们的方法表现出一致的改进现有的对比学习为基础的方法。在没有标签的情况下,我们在ImageNet上的1000个语义类中以40%的准确率识别假阴性,并且在使用1%标签进行微调时,与之前的最先进技术相比,top-1准确率绝对提高了5.8%。我们的代码可在https://github.com/google-research/fnc上获得。
2022-01-02 cs.CV cs.LG
OwMatch: Conditional Self-Labeling with Consistency for Open-World Semi-Supervised Learning
Southern University of Science and Technology(南方科技大学);Hong Kong Polytechnic University(香港理工大学)
OwMatch提出结合条件自标记与开放世界层次阈值的框架,解决开放世界半监督学习中未见类别误分类问题,提升已知与未知类别的分类性能。
2024-11-04 cs.CV cs.LG stat.ML
C3S3: Complementary Competition and Contrastive Selection for Semi-Supervised Medical Image Segmentation
Zhejiang University of Technology(浙江工业大学)
针对半监督医学图像分割中边界细节捕捉不准的问题,提出C3S3模型。该模型通过结果驱动的对比学习模块优化边界定位,并利用动态互补竞争模块生成高质量伪标签,显著提升了分割精度与边界清晰度。
2025-06-25 cs.AI cs.CV
Google is all you need: Semi-Supervised Transfer Learning Strategy For Light Multimodal Multi-Task Classification Model
The University of Sydney(悉尼大学)
本文提出一种结合CNN图像识别与NLP文本分析的轻量多模态多标签分类模型,通过半监督迁移学习与融合模块提升标注准确性,实验验证其作为自动图像标注系统的有效性。
2025-01-03 cs.AI cs.CV
FeatMatch: Feature-Based Augmentation for Semi-Supervised Learning
Georgia Tech(佐治亚理工学院);Virginia Tech(弗吉尼亚理工大学)
最新的半监督学习(SSL)方法使用基于图像的变换和一致性正则化的组合作为核心组件。然而,这样的方法限于简单的变换,例如传统的数据增强或两个图像的凸组合。在本文中,我们提出了一种新的学习基于特征的细化和增强方法,产生一组不同的复杂变换。重要的是,这些转换还使用了我们通过聚类提取的类内和跨类原型表示的信息。我们使用已经在迭代中计算的特征,将它们存储在存储体中,从而避免了大量额外计算的需要。这些变换与传统的基于图像的增强相结合,然后用作基于一致性的正则化损失的一部分。我们证明,我们的方法与当前较小数据集(CIFAR-10和SVHN)的最新技术水平相当,同时能够扩展到更大的数据集,如CIFAR-100和mini-Imagenet,我们在最新技术水平上实现了显着的增益(\textit{e.g.,}在mini-Imagenet上的绝对增益为17.44\%)。我们进一步在DomainNet上测试了我们的方法,证明了对域外未标记数据的更好的鲁棒性,并进行了严格的消融和分析来验证该方法。
2020-07-16 cs.CV cs.LG
Hybrid diffusion models: combining supervised and generative pretraining for label-efficient fine-tuning of segmentation models
Mines Paris(巴黎矿业学院);PSL University(巴黎文理研究大学);EPFL(洛桑联邦理工学院);Swiss Data Science Center(瑞士数据科学中心)
本文提出一种混合预训练方法,通过同时进行图像去噪和掩码预测的代理任务,融合监督与生成式预训练,在多个数据集上验证其能提升分割模型在少样本领域的标签高效微调性能。
2024-08-06 cs.CV cs.LG
Learning to See the Elephant in the Room: Self-Supervised Context Reasoning in Humans and AI
College of Computing and Data Science, Nanyang Technological University(计算与数据科学学院,南洋理工大学);CFAR and I2R, Agency for Science, Technology and Research(CFAR和I2R,科技研究局);Boston Children’s Hospital, Harvard Medical School(哈佛医学院儿童医院)
本文提出SeCo模型,通过自监督学习实现上下文推理,展示了上下文关联在场景理解中的关键作用。
2026-02-23 cs.AI cs.CV
Entropy-Guided Self-Supervised Learning for Medical Image Classification
Institute of Mathematics, Statistics and Scientific Computing(数学、统计与科学计算研究所);Department of Applied Mathematics, University of Campinas(应用数学系,坎皮纳斯大学)
本文提出了一种结合自监督学习和迁移学习的深度学习框架,通过使用熵引导的掩码自动编码器和ImageNet预训练模型,提升医学图像分类的性能和鲁棒性。
2026-05-21 cs.CV eess.IV
Conformal Credal Self-Supervised Learning
Paderborn University(帕德博恩大学);University of Munich (LMU)(慕尼黑大学(路德维希-马克西米利安-慕尼黑大学))
针对半监督自训练中伪标签缺乏有效性保证的问题,将共形预测引入credal自监督学习,为标签credal集构建提供理论支撑,提出有效学习算法,实现校准性更优、具竞争力的半监督学习效果。
2023-06-09 cs.AI cs.CV cs.LG
Two-stage Image Classification Supervised by a Single Teacher Single Student Model
University of Macau(澳门大学)
两阶段策略在图像分类中得到了广泛的应用。然而,这些方法在第二预测阶段几乎没有考虑第一阶段的分类标准。在本文中,我们提出了一种新的两阶段表示方法(TSR),并将其转化为一个单教师单学生(STSS)问题在我们的两阶段图像分类框架。我们寻求测试样本的最近邻居来选择候选目标类。同时,第一阶段分类器被制定为教师,它持有分类分数。在第二阶段,候选类的样本被用来学习基于L2最小化的学生分类器。学生将由教师分类器监督,只有当学生获得更高的分数时,教师分类器才会批准学生。实际上,所提出的框架通过以一种新的方式分级两个较弱的分类器来生成更强的分类器。在几个人脸和物体数据库上进行的实验表明,我们提出的框架是有效的,优于多种流行的分类方法。
2019-09-26 cs.CV cs.LG eess.IV
Supervised classification for object identification in urban areas using satellite imagery
COMSATS Institute of Information and Technology(COMSATS信息技术学院);Hamad Bin Khalifa University(哈马德·本·哈利法大学);University de Lorraine(洛林大学)
本文提出了一种实用的方法来实现分类的卫星图像。该方法是基于像素级的研究,采用各种功能,如相关性,均匀性,能量和对比度。在这项研究中,灰度图像用于训练的分类模型。对于监督分类,采用两种分类技术,即支持向量机(SVM)和朴素贝叶斯。对于灰度图像的纹理特征,朴素贝叶斯的整体准确率为76%,而SVM为68%。计算时间的评估,同时执行实验与两个不同的窗口大小,即,50x50和70x70。对于70x70的窗口大小,单个图像所需的计算时间为27秒,对于50x50的窗口大小,所需的计算时间为45秒。
2018-08-02 cs.CV cs.LG eess.SP