解读RealMix:Towards Realistic Semi-Supervised Deep Learning Algorithms

最新推荐文章于 2024-12-11 15:50:42 发布
置顶 最新推荐文章于 2024-12-11 15:50:42 发布
阅读量1.4k 收藏 2
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 论文
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。
本文链接：https://blog.youkuaiyun.com/daixiangzi/article/details/103633853

来源：https://arxiv.org/pdf/1912.08766.pdf

官方代码：https://github.com/uizard-technologies/realmix

主要贡献：

1.在cifar10数据集上仅仅只利用每类250个标签数据实现了sota(error rate:9.79%) 

2.在标签数据和无标签数据完全 mismatch的情况下，依然能够surpass baseline performance。

3.论证了realmix 能够surpass迁移学习，并且迁移学习对半监督学习有一个很好的补偿作用。

算法过程：（这篇文章相当于集成了uda+mixmatch中的一些trick）

GenerateTarget部分：

了解本专栏 订阅专栏 解锁全文 超级会员免费看
ArchitectureRealMix模型[可运行源码]
11-23
ArchitectureRealMix是一款专注于写实风格建筑的通用建筑设计绘图模型，适用于建筑设计、景观设计、城市设计及室内设计等多种场景。该模型基于SD1.5开发，体积为3.95G，推荐绘图配置为768512分辨率，并可通过高清修复放大2倍。模型在civitai平台上的下载量达23K，用户点赞量2.1K，表现优秀。文章详细介绍了模型的应用示例，包括简约室内装饰、商业建筑、写字楼、城市设计鸟瞰图等多种场景，并提供了模型下载地址及AI绘画技术学习资料。
《Realistic Evaluation of Deep Semi-Supervised Learning Algorithms》笔记
qwq_xcyyy的博客
08-10 816
对深度半监督学习算法的现实评价AbstractIntroductionImproved EvaluationSemi-Supervised Learning Methods半监督Π-ModelMean TeacherVirtual Adversarial Training(VAT)Entropy Minimization (EntMin)Pseudo-LabelingConclusions and RecommendationsExperiments Abstract 写作目的：为了帮助指导SSL研究更贴合
论文略读：REALISTIC EVALUATION OF SEMI-SUPERVISED LEARNING ALGORITHMS IN OPEN ENVIRONMENTS
qq_40206371的博客
04-17 284
iclr 2024 spotlight reviewer 评分 8888。
Semi-Supervised Deep Learning for Monocular Depth Map Prediction
wh22141334的博客
07-01 293
研究背景 监督学习通常需要大量的标记数据作为监督信号，标记数据通常由雷达或者深度相机获取，通过以上两种方式得到的数据稀疏且有噪声，相机之间的标定也不是很准确。 无监督学习，基于立体图像匹配的深度图重建本来就是一个不定的问题。 创新点 提出了结合了监督学习和无监督学习的半监督学习方法。 由上图可以看出本文的基本思路是：通过卷积网络得到两张图片之间的深度倒数ρ(x)\rho(x)ρ(x)。 监督方法就是将ρ(x)\rho(x)ρ(x)和通过雷达得到的真值Z(x)联合训练。 无监督方法就是通过立体相机baseli
[半监督学习] Tri-net for Semi-Supervised Deep Learning
不定期更新 Web 开发及机器学习相关博客
02-18 1911
Tri-net 将 tri-training 与深度学习模型相结合. 首先学习三个初始模型, 然后使用每个模型来预测一个未标记数据池, 其中两个模型为另一个模型标记一些未标记实例. Tri-net 中涉及三个关键技术: 模型初始化、多样性增强和伪标签编辑.
论文笔记-深度估计(4) Semi-Supervised Deep Learning for Monocular Depth Map Prediction
一只飞鱼的博客
12-30 4149
CVPR2017_Semi-Supervised Deep Learning for Monocular Depth Map Prediction 这是一篇用双目进行无监督学习估计深度的论文。 对一幅图进行有监督训练进行深度估计时，由于采集设备的局限，并非图像的每个像素都有对应的真实值。于是作者提出在图像有真实值的地方进行监督学习，无真实值的地方进行无监督学习（最终作者发现对整个图像都进行无监...
[论文阅读]Towards Realistic Long-Tailed Semi-Supervised Learning: Consistency Is All You Need
m0_53623159的博客
12-11 1253
动态调节：τ(t) 根据模型在不同迭代中的表现动态变化，适应不同的训练阶段和数据分布特性。平衡损失：通过 τ(t) 调整损失函数中类别先验的影响，使模型在面对类别不平衡数据时，能够做出更公平、更平衡的分类预测。自适应机制：τ(t) 的自适应调整确保了模型训练过程的灵活性和鲁棒性，能够在多变的数据环境中保持良好的性能。最终，τ(t) 的引入不仅增强了模型对类别不平衡问题的应对能力，还提供了一种自适应的调节机制，使模型训练过程更加智能和高效。
ICRA2020论文整理（SLAM + Deep Learning）
热门推荐
Spacegene的博客
07-20 1万+
参考:https://github.com/PaoPaoRobot/ICRA2020-paper-list Table of Contents: 1. SLAM 2. Deep Learning in Robotics and Automation 3.Localization 4. Sensor Fusion 5. Calibration and Identification 6. Semantic Scene Understanding 7. Reinforcement Learn...
【图像超分辨率】Deep Learning for Image Super-resolution: A Survey
qq_41807261的博客
02-20 8724
1 介绍 本文旨在对利用深度学习方法进行图像超分辨率的最新进展进行全面的调查。一般来说，我们可以将现有的SR技术研究大致分为三大类：监督SR。无监督的SR，以及特定领域的SR。此外，我们还涵盖了其他一些重要的问题，比如公开的 基准数据集和性能评估指标。最后，我们在调查的最后强调了几个未来的方向和 今后应由社会进一步解决的开放性问题。 我们对基于深度学习的图像超分辨率技术进行了全面的回顾，包括问题设置、基准数据集、学习、特定领域SR应用等。 2）我们分层次、分结构地对基于深度学习的SR技术的最新进展进行了系统
李宏毅 DeepLearning-2017-Semi-supervised Learning
zjguilai的博客
05-11 333
对我们来说，我们从来不缺都是data，但是缺的是有label的data,所以需要semi-supervised Learning 这里unlabel data是只告诉我们function Model的输入，但是不告诉输出，而且unlabeled data远大于labels data unlabeled data伴随着一些分布的假设，semi-supervised Learning 是否有用决定于...
机器学习系列15-半监督学习
weixin_44406200的博客
06-28 2773
如果本文对你有帮助，请给我的github打个star叭 辛苦整理码字不易，免费分享给大家，也希望大家能帮忙点一点下面的图片，给我更多的更新动力叭！ 半监督学习(semi-supervised learning) 1、introduction 2、Semi-supervised Learning for Generative Model 3、Low-density Separation Assumption：非黑即白 4、Smoothness Assumption：近朱者赤，近墨者黑 5、Better R
论文阅读 Towards Automated Semi-Supervised Learning
kindred_joe的博客
11-03 412
论文阅读 Towards Automated Semi-Supervised Learning 摘要 让机器自己学习如何搞定一个数据集或任务一直是 AutoML 领域所关注的，它可能不再需要手动数据预处理、不需要人工搭建模型架构或花式调参。但是这些任务基本上都是基于图像识别等监督学习，而实际场景中更多的是未标注数据。因此南京大学 lamda 研究组和第四范式的研究者表示自动化也可以蔓延到半监督学习...
浅析 Semi-Supervised Learning 中的 consistency 问题
Jingyang.Zhang的博客
06-17 6394
浅析 Semi-Supervised Learning 中的 Consistency 问题传统半监督学习简述：现有半监督学习的问题 —— Individual Consistency实现方法总结 传统半监督学习简述： 区别于全监督学习，半监督学习针对训练集标记不完整的情况：仅仅部分数据具有标签，然而大量数据是没有标签的。因此，目前半监督学习的关键问题在于如何充分地挖掘没有标签数据的价值。主流的半监督学习方法有下面几种： Self-Training 方法。这是一种很直观的思路：既然大量数据是没有标签的，那么
semi-suppervised learning 半监督学习
Assassintt的专栏
09-17 464
• Supervised learning: 有样本标记学习 •Semi-supervised learning: A set of unlabeled data, usually U >> R ， 未知label的data数大于已知label的样本 Transductive learning: unlabeled data is the testing data Inducti...
AI绘画Stable Diffusion室内设计必备生产力模型推荐，通用写实风格建筑设计模型
A1353192296的博客
10-18 1176
这款绘图模型专注于写实风格建筑的绘图模型模型，该模型适用于绝大部分建筑设计、景观设计、城市设计、室内设计场景。是由作者laizhende在civitai发布的一款基于SD1.5的绘图模型。模型总体积为：3.95G。作者推荐绘图配置如下：图像分辨率尺寸：768*512该模型在C站的总下载量为23K2.1K，属于一款优秀的建筑绘图模型。
[译]OOSE第6章：Architecture 体系结构 6.6 设计模型
yuan2418的专栏
02-14 763
<br /> <br />6.6 The design model<br />6.6 设计模型<br />6.6.1   The design model's object<br />6.6.1设计模型对象<br />In the construction process, we construct the system using both the analysis model and the requirements model. First, we create a design model th
Stable Diffusion 4.8.7升级版更新，Ai绘画风口已来！（无需部署，解压即用）
weixin_55154866的博客
05-30 1863
2024可以称得上是Ai技术大爆发的元年，目前两款Ai神器大火，一款是大名鼎鼎的Chat GPT。 另外一款大火的是本期社长介绍的Ai绘图软件—Stable Diffusion。
2024年50个热门LoRA模型推荐-Stable Diffusion
weixin_42210212的博客
07-23 5170
使用 Stable Diffusion 创作绘画作品，我们可以借助checkpoint、Lora 和 embeddings 等模型，提升AI的绘画质量和创造力。本文将根据评分、下载量和收藏量等多个维度，从画风、概念、服饰等各个方面，盘点 civitai 上受欢迎的LoRA模型，并简要介绍它们的特点和用途。
【AI绘画】3款Stable Diffusion模型推荐，AI建筑师必备！【文末领取】
HJS123456780的博客
09-04 790
关注木木不迷路，木木经常会分享一些干货内容。木木今天又又给大家带了三款不错的模型，推荐给大家，需要的朋友可以根据链接自行下载，如果下载不方便的也欢迎私信，我会为你提供模型文件。好了，今天给大家推荐三款AI建筑模型~,需要的文末获取，无偿分享。
Towards Cost-Effective Learning: A Synergy of Semi-Supervised and Active Learning
最新发布
09-25
由于没有提供具体的参考引用内容，以下是一些基于一般性知识对《Towards Cost - Effective Learning: A Synergy of Semi - Supervised and Active Learning》可能涉及内容的推测。 该研究可能聚焦于如何将半监督学习和主动学习相结合以实现更具成本效益的学习方式。半监督学习利用大量未标记数据和少量标记数据进行学习，而主动学习则通过主动选择最有价值的数据进行标记来提高学习效率。二者结合可能在减少标记数据成本的同时，提升模型的性能和泛化能力。 在实际应用中，这种结合可能会用于图像识别、自然语言处理等领域，以在有限的资源下取得更好的学习效果。例如，在图像识别任务中，主动选择一些具有代表性的图像进行标记，然后结合大量未标记图像进行半监督学习，从而在不标记大量图像的情况下获得高精度的识别模型。 ```python # 这里简单模拟一个可能的主动学习和半监督学习结合的伪代码框架 # 假设我们有一些未标记数据和少量标记数据 unlabeled_data = [...] labeled_data = [...] # 主动学习选择最有价值的数据进行标记 def active_selection(unlabeled_data, model): # 选择最有价值的数据的逻辑 selected_data = ... return selected_data # 半监督学习更新模型 def semi_supervised_learning(model, labeled_data, unlabeled_data): # 半监督学习的训练逻辑 updated_model = ... return updated_model # 循环进行主动学习和半监督学习 model = ... for i in range(num_iterations): selected_data = active_selection(unlabeled_data, model) # 标记选择的数据 labeled_data.extend(selected_data) model = semi_supervised_learning(model, labeled_data, unlabeled_data) ```
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