论文笔记：基于对比学习的半监督分类学习方法

最新推荐文章于 2025-03-09 10:40:06 发布
最新推荐文章于 2025-03-09 10:40:06 发布
阅读量3k 收藏 13
点赞数
文章标签： 论文阅读 学习 分类
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/weixin_46224126/article/details/127406177
版权

Class-Aware Contrastive Semi-Supervised Learning（CVPR.2022）

Article
Github

研究背景（Background）


原始数据的定义是分布内数据 (已知类和平衡分布) 和分布外数据 (未知类或不平衡分布) 的联合集合。一般地，在伪标签上进行训练的基本假设是标记数据的分布接近未标记，并且未标记的数据集不包含任何新颖的类别。然而，这种假设通常在具有大量分发外数据的实际应用程序中不成立，人工自生的伪标签存在确认偏差且含有噪声，并且在含噪声的分发外数据的实际应用场景中模型的判断能力受到了干扰。
在这里插入图片描述
SSL使用了许多技术用以减轻确认偏差，例如利用模型的自校正能力、设置高置信度的阈值滤除噪声以及预测的不确定性

最低0.47元/天 解锁文章
min_08315
关注
大语言模型原理与应用实践：基于监督学习进行微调 Supervised Learning & Fine-Tuning
AI天才研究院
06-25 1625
近年来，随着深度学习技术的快速发展，大规模语言模型(Large Language Models, LLMs)在自然语言处理(Natural Language Processing, NLP)领域取得了巨大的突破。这些大语言模型通过在海量无标签文本数据上进行预训练，学习到了丰富的语言知识和常识，可以通过少量的有标签样本在下游任务上进行微调(Fine-Tuning)，获得优异的性能。其中最具代表性的大模型包括OpenAI的GPT系列模型、Google的BERT、T5等。
论文学习笔记 | IJCAI-2021 TS-TCC：通过时间和上下文对比进行时间序列表示学习
叶庭云 成为自己的光
07-28 323
IJCAI-2021 TS-TCC：通过时间和上下文对比进行时间序列表示学习
类感知对比半监督学习(Class-Aware Contrastive Semi-Supervised Learning)论文阅读笔记
Remoa的休闲茶馆
05-31 6549
1 研究背景； 2 关键卖点； 3 主要架构； 4 损失函数； 4.1自监督对比学习损失； 4.2 有监督对比学习损失； 5 模型性能； 参考文献；
顶刊IJCV 2024！基于概率表征的半监督对比学习框架
阿木寺的博客
04-19 1766
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【Mamba和扩散模型】微信交流群添加微信：CVer5555，小助手会拉你进群！扫描下方二维码，加入CVer学术星球！可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料，及最前沿应用！发论文/搞科研/涨薪，强烈推荐！转载自：将门创投半监督语义分割算法(Semi-Supervised Semantic S...
【深度学习】一文看懂监督学习、半监督学习（Semi-supervised Learning）、无监督学习、自监督学习、零样本学习（Zero-shot Learning）
最新发布
欢迎来到我的优快云个人博客主页！
03-09 3607
本文详细介绍了机器学习中五种主要的学习范式：监督学习、半监督学习、无监督学习、自监督学习和零样本学习。文章系统地分析了每种学习方法的基本概念、工作原理、常见算法、应用场景及优缺点。文章还介绍了对比学习、提示词调优等重要概念。
半监督论文学习
Vae_fans的博客
02-19 957
半监督论文学习
A02_半监督学习
yfdyfdyfd250的博客
07-14 174
半监督学习
半监督学习论文整理
tangchengguang的专栏
07-06 1038
Mark
【自然语言处理】【聚类】DCSC：利用基于对比学习的半监督聚类算法进行意图挖掘
bqw的博客
03-15 2070
利用基于对比学习的聚类算法进行意图挖掘 《Semi-Supervised Clustering with Contrastive Learning for Discovering New Intents》 论文地址：https://arxiv.org/pdf/2201.07604.pdf 一、简介 1. 意图挖掘 ​ 任务导向的对话系统依赖于自然语言理解(NLU\text{NLU}NLU)，用于将对话分类到一个已知的意图，并利用预先准备好的答案进行回复。如果能够尽可能的发现新意图，那么聊天机器人就能够回答更
用于半监督医学图像分割的多模态对比互学习和伪标签再学习方法
专注计算机视觉全栈知识分享
02-17 2873
用于半监督医学图像分割的多模态对比互学习和伪标签再学习方法
S5CL：通过分层对比学习统一全监督、自监督和半监督学习
qq_45745941的博客
05-02 1020
通过引入S5CL将这两个阶段的训练压缩为一个阶段，S5CL是一个用于全监督、自监督和半监督学习的统一框架为标记图像、未标记图像和伪标记图像定义了三个对比损失的情况下，S5CL可以学习反映距离关系层次的特征表示：相似的图像和增强嵌入得最近，其次是同一类的不同外观的图像，而来自不同类的图像具有最大的距离S5CL允许灵活地组合这些损失，以适应不同的场景代码地址。
《深度半监督学习》综述论文
06-12
当对大量的标记数据集合(如ImageNet)进行训练时，深度神经网络展示了它们在特殊监督学习任务(如图像分类)上的卓越表现。
电子科大最新《深度半监督学习》综述论文（2021版）
03-06
深度半监督学习是一个快速发展的领域，具有一系列的实际应用。本文从模型设计和无监督损失函数的角度对深度半监督学习方法的基本原理和最新进展进行了全面的综述。
半监督学习(Semi-Supervised Learning, SSL)-简述及论文整理
不定期更新 Web 开发及机器学习相关博客
12-29 9094
SSL
【半监督论文综述】A survey on semi-supervised learning
来日可期的博客
06-16 3861
半监督综述论文：《A survey on semi-supervised learning》阅读笔记
【半监督学习】主题论文推荐
AI_Conf的博客
04-13 854
【半监督学习】主题论文推荐 半监督学习是模式识别和机器学习领域研究的重点问题，是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。 以下文章供大家参考： 1.Virtual Adversarial Training: a Regularization Method for Supervised and Semi-supervised Learning. 下载PDF：https://www.aminer.cn/pub/599c7965601a1
半监督学习
weixin_43643246的博客
07-08 302
我们真的需要那么多标注数据吗？半监督学习技术近年来的发展历程及典型算法框架的演进 文章中的重点 获取高质量的有标注数据的成本非常高，有时候对于某些领域可能没有那么足够多的有标注的数据来辅助我们模型的训练，所以我们希望可以通过少量有标注的数据和大量无标注的数据也可以得到效果近似的模型，半监督的学习由此而来。 核心问题： 如何从无标签数据中获取学习信号来指导监督学习？ 如何平衡运用有标签数据和无标签数据各自的学习信号？ 如何选择无标签数据 所得 根据无标签数据增强得到的语句和原始的无标签语句得到的概率进行
墨奇科技博客 | 利用对比学习改善细粒度分类的特征质量
Moqi_AI的博客
05-13 1031
本文贡献 网络通过提取显著性区域并融合这些区域特征，以同时学习局部和全局的特征 通过混杂来自负例的注意力特征来增强网络对于每个注意力区域的学习 网络得到了 SOTA 的结果 动机 细粒度分类任务与常规的分类问题不同，它希望分类器能够看到不同类别之间的细微差异。当前流行的细粒度方法通常从两个方面设计以洞察到更加细微的特征：“更有区分度的表征学习”与“定位特征显著的部分”。然而，学习更有区分度的图像表征本身就是有挑战的，同时仅仅通过没有监督的分类信息也很难保证学习有显著区别的部分的准确位置。 与..
评论 1
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