Semi-supervised Learning in Gigantic Image Collections

最新推荐文章于 2024-10-25 21:31:24 发布
原创 最新推荐文章于 2024-10-25 21:31:24 发布 · 853 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文探讨了半监督学习在处理巨型图像集合时的效率问题，特别是构建Laplacian图并求其逆操作的耗时问题。提出通过在数据集的子集上构建较小图或采用混合模型等策略来优化过程。

1: 文章信息

Rob Fergus, Yair Weiss, Antonio Torralba: Semi-Supervised Learning in Gigantic Image Collections. NIPS 2009: 522-530


2： 解决的问题

传统的semi-supervised方法通常需要构建一个Laplacian graph，然后涉及到对此图所对应的Matrix进行求逆，而当数据点很庞大时，此操作非常耗时。有些方法采用的策略是在数据集的子集上构建一个较小图，或者采用混合模型。

Label Efficient Semi-Supervised Learning via Graph Filtering.pdf
08-09
In this paper, we address label efficient semi-supervised learning from a graph filtering perspective. Specifically, we propose a graph filtering framework that injects graph similarity into data ...
Graph-Based Semi-Supervised Learning
01-09
In order to adapt to this phenomenon, several semi-supervised learning (SSL) algorithms, which learn from labeled as well as unlabeled data, have been developed. In a separate line of work, ...
Research: Robust Analysis of Visual Data
A Happy RS Person的专栏
11-11 1226
Research: Robust Analysis of Visual Data http://coewww.rutgers.edu/riul/research/robust.html High breakdown point robust estimators in statistics tolerate up to fifty percent of the data
Meanshift，聚类算法
weixin_30401605的博客
05-12 1861
记得刚读研究生的时候，学习的第一个算法就是meanshift算法，所以一直记忆犹新，今天和大家分享一下Meanshift算法，如有错误，请在线交流。 Mean Shift算法,一般是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其偏移均值,然后以此为新的起始点,继续移动,直到满足一定的条件结束. 1. Meanshift推导 给定d维空间Rd的n个样本点 ,i=1,…,n...
Strong Baselines for Neural Semi-supervised Learning under Domain Shift半监督学习
Adupanfei的博客
10-07 1230
2018 ACL 论文 Strong Baselines for Neural Semi-supervised Learning under Domain Shift 不同数据集的迁移学习 MT-Tri方法在情感分析上（无监督域适应）超过DANN方法 半监督学习结合了监督学习和无监督学习方法，能在有标签但标签不完整的数据中使用机器学习算法。本文重点介绍半监督学习算法中特殊算法，它们能在未标记数据...
scikit-learn（project中用的相对较多的模型介绍）：1.14. Semi-Supervised
weixin_30646505的博客
08-05 176
參考：http://scikit-learn.org/stable/modules/label_propagation.html The semi-supervised estimators insklearn.semi_supervisedare able to make use of this additional unlabeled data to ...
Papers with Semi-supervised Learning for Medical Image Segmentation(SSL4MIS)
qq_43656233的博客
08-31 968
Papers with SSL4MIS
Contrastive Semi-supervised Learning for Underwater Image Restoration via Reliable Bank（论文阅读）
qq_52850526的博客
09-03 860
水下图像增强；浑浊图像；
Semi-supervised Learning(半监督学习)
长路漫漫亦灿灿
05-30 1762
半监督学习，
A Simple Semi-Supervised Learning Framework for Object Detection
qq_51659249的博客
10-25 1325
如果对一个未标记的数据应用实际的扰动, 其预测结果不应该发生显著变化, 也就是输出具有一致性，通过在未标记数据上构造添加扰动后的预测结果 y~​ 与正常预测结果 y之间的无监督正则化损失项, 提高模型的泛化能力。是首先为未标记的数据生成人工标签，并训练模型在为未标记的数据提供保持语义的随机增强时预测这些人工标签。本文的工作：利用深度SSL在图像分类方面的经验来解决SSL用于目标检测的问题。提出了一个用于对象检测的SSL框架，该框架结合了自我训练（通过伪标签）和基于强数据增强的一致性正则化。受。
精选资源
nips14-ssl:NIPS 2014 论文“Semi-Supervised Learning with Deep Generative Models”结果复现代码
06-28
NIPS'14-SSL 使用深度生成模型重现我们的 NIPS 2014 论文关于半监督学习 (SSL) 的一些关键结果的代码。 DP Kingma、DJ Rezende、S. Mohamed、M. Welling 具有深度生成模型的半监督学习神经信息处理系统的进展 27 ...
Introduction to Semi-Supervised Learning
07-09
Semi-supervised learning is of great interest in machine learning and data mining because it can use readily available unlabeled data to improve supervised learning tasks when the
精选资源
Semi-Supervised-Learning-Image-Classification:该库包含使用TensorFlow 2.x和Python 3.x实现的计算机视觉任务的半监督学习算法
03-10
半监督学习图像分类 该库包含使用TensorFlow 2.x和Python 3.x实现的计算机视觉任务的半监督学习算法。 前言 通过这个库，我追求两个目标。 第一个是易于使用的高级API，可在私有或公共数据集上运行半监督学习算法。...
为什么要读博士
Keep Trying, Keep Fighting
12-25 5323
这是一个之前困扰我许久的问题，后来逼迫自己不去想它，慢慢地也就淡忘这个问题了。这几天，在网上又看到这个问题，觉得有篇文章不错，因此贴过来，自勉与共勉。原文来自知乎。一： 看过一篇文章，专门估算了《生活大爆炸》中Sheldon博士和Leonard博士能赚多少钱，结论是他们的收入比芝士蛋糕工厂饭店的服务生Penny基本相当。这些学霸和天才们，与服务生做邻居，而且服务生自住他们合租（虽然谢耳朵确实需要呆
几个较经典的interactive image segmentation算法
Keep Trying, Keep Fighting
10-29 3162
看论文时，看到了几篇基于交互的图像分割算法，这里罗列一下，后期有时间时再一一阅读 1: Interactive Image Segmentation Based on Level Sets of Probabilities, TVCG 2012. 2: Interactive Image Segmentation via Adaptive Weighted Distances, TIP
杨子恒
Keep Trying, Keep Fighting
09-28 3134
杨子恒，1984年毕业于甘肃农业大学畜牧专业，获农学学士学位。1987年获北京农业大学动物遗传专业硕士学位。1987年至1989年在甘肃农业大学畜牧系任教。1992年获北京农业大学博士学位，1992至1997年，先后在北京农业大学、英国伦敦剑桥大学和自然历史博物馆、宾西法尼亚州立大学、加利福尼亚大学伯克利分校从事遗传学教学和博士后研究工作。1997至今在伦敦大学从事分子和细胞遗传学研究工作。200
Saliency Detection on Light Field
Keep Trying, Keep Fighting
10-23 2485
1 :         Saliency Detection on Light Field         Nianyi Li, Jinwei Ye, Yu Ji, Haibin Ling and Jingyi Yu.         In IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 20
《深度学习课程》-吴立德教授-复旦大学
Keep Trying, Keep Fighting
09-28 2338
http://www.youku.com/playlist_show/id_21508721.html
Using Semi-Supervised Learning for Predicting Metamorphic Relations
最新发布
09-22
半监督学习结合了少量有标签数据和大量无标签数据来进行模型训练，在预测变形关系方面可按以下方式进行： #### 数据准备 收集与变形关系相关的数据，将其分为有标签数据和无标签数据。有标签数据包含明确的变形关系信息，例如在材料科学中，有标签数据可能是已知材料在特定条件下的变形结果和对应条件；无标签数据则是缺乏明确变形关系标注的数据。 #### 选择半监督学习算法 - **自训练（Self - training）**：首先使用有标签数据训练一个初始模型，然后用该模型对无标签数据进行预测，将置信度高的预测结果作为伪标签添加到有标签数据集中，重新训练模型，不断迭代这个过程。例如在Python中可以使用Scikit - learn库结合自定义代码实现： ```python import numpy as np from sklearn.linear_model import LogisticRegression # 有标签数据 X_labeled = np.array([[1, 2], [2, 3], [3, 4]]) y_labeled = np.array([0, 1, 0]) # 无标签数据 X_unlabeled = np.array([[4, 5], [5, 6]]) # 初始模型训练 model = LogisticRegression() model.fit(X_labeled, y_labeled) # 自训练迭代 for _ in range(3): # 对无标签数据预测 probabilities = model.predict_proba(X_unlabeled) high_confidence_indices = np.max(probabilities, axis = 1) > 0.9 pseudo_labels = model.predict(X_unlabeled[high_confidence_indices]) # 添加伪标签到有标签数据 X_labeled = np.vstack((X_labeled, X_unlabeled[high_confidence_indices])) y_labeled = np.hstack((y_labeled, pseudo_labels)) # 重新训练模型 model.fit(X_labeled, y_labeled) ``` - **标签传播（Label Propagation）**：该算法基于图的思想，将数据点视为图中的节点，节点之间的边表示数据点之间的相似度。标签从有标签节点传播到无标签节点。在Scikit - learn中可以直接使用`LabelPropagation`类： ```python from sklearn.semi_supervised import LabelPropagation import numpy as np # 有标签数据 X_labeled = np.array([[1, 2], [2, 3], [3, 4]]) y_labeled = np.array([0, 1, 0]) # 无标签数据 X_unlabeled = np.array([[4, 5], [5, 6]]) y_unlabeled = np.full(len(X_unlabeled), -1) # 合并数据 X = np.vstack((X_labeled, X_unlabeled)) y = np.hstack((y_labeled, y_unlabeled)) # 标签传播模型训练 label_propagation = LabelPropagation() label_propagation.fit(X, y) # 预测变形关系 predictions = label_propagation.predict(X_unlabeled) ``` #### 模型评估与优化 使用交叉验证等方法对训练好的模型进行评估，根据评估结果调整模型的参数，如自训练中的置信度阈值、标签传播中的相似度度量方法等，以提高模型预测变形关系的准确性。 #### 预测变形关系 使用优化后的模型对新的数据进行预测，得到变形关系的预测结果。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值