一、相关理论 本篇博文主要讲解2014年CVPR上的经典paper：《Rich feature hierarchies for Accurate Object Detection and Segmentation》，这篇文章的算法思想又被称之为：R-CNN（Regions with Convolutional Neural Network Feature
作者：Neeraj varshney导读最基础的半监督学习的概念，给大家一个感性的认识。半监督学习(SSL)是一种机器学习技术，其中任务是从一个小的带标签的数据集和相对较大的未带标签的数据中学习得到的。SSL的目标是要比单独使用有标记数据训练的监督学习技术得到更好的结果。这是半监督学习系列文章的第1部分，对这个机器学习的重要子领域进行了简要的介绍。区分半监督学习，监督学习和无监督学习整个数据集中可
转载
2024-05-11 19:58:13
43阅读
学习2-3篇论文：① Adversarial Learning for Semi-Supervised Semantic Segmentation 下载② Semantic Segmentation using Adversarial Networks 下载③ Semi-Supervised Semantic Segmentation With High- and Low-Level Consis
转载
2024-03-18 23:25:21
218阅读
传统的机器学习技术分为两类，一类是无监督学习，一类是监督学习。无监督学习只利用未标记的样本集，而监督学习则只利用标记的样本集进行学习。但在很多实际问题中，只有少量的带有标记的数据，因为对数据进行标记的代价有时很高，比如在生物学中，对某种蛋白质的结构分析或者功能鉴定，可能会花上生物学家很多年的工作，而大量的未标记的数据却很容易得到。这就促使能同时利用标记样本和未标记样本的半监督学习技术迅速发展起来。
# 半监督学习与CNN在PyTorch中的应用
半监督学习是一种结合了少量标注数据和大量未标注数据的学习方法。这种方法在实际应用中常常因为标注数据的稀缺而受到限制，然而，未标注数据通常更容易获得。卷积神经网络（CNN）在图像处理方面表现出色，结合半监督学习，可以显著提高模型的性能。
## 半监督学习的基本概念
在半监督学习中，使用标注数据训练模型，同时利用未标注数据来提高模型的泛化能力。这种
原创
2024-09-11 07:30:43
90阅读
引言 本文主要介绍如何在tensorflow上仅使用200个带标签的mnist图像，实现在一万张测试图片上99%的测试精度，原理在于使用GAN做半监督学习。前文主要介绍一些原理部分，后文详细介绍代码及其实现原理。前文介绍比较简单，有基础的同学请掠过直接看第二部分，文章末尾给出了代码GitHub链接。监督，无监督，半监督学习介绍在正式介绍实现半监督学习之前，我在这里首先介绍一下监督学习（s
转载
2024-04-14 10:43:00
128阅读
文章目录GCN半监督分类一、傅里叶变换和卷积1.图的卷积2.第一代GCN3.第二代GCN4.第三代GCN二、作者的改进1.两个参数的模型2.简化：一个参数的模型三、总结四、问题 GCN半监督分类一、傅里叶变换和卷积1.图的卷积X为图的节点的特征提取构成的向量（相当于是图的一个节点信息的输入）U 为拉普拉斯矩阵的特征向量矩阵gθ 为卷积核 由于上述公式当中激活函数、U和x均为已确定的变量，故对卷积
转载
2024-01-02 12:37:31
43阅读
机器学习大致可以分成三类，第一类是监督学习（Supervised Learning），第二类是无监督学习（Unsupervised Learning），第三类是半监督学习（Semi-supervised Learning）。1.监督学习（Supervised Learning）：监督学习最大的特点就是其数据集带有标签。换句话来说，监督学习就是在带有标签的训练数据中学习模型，然后对某个给定的新数据利
转载
2023-09-09 19:03:24
100阅读
[半监督学习论文-Interpolation Consistency Training for Semi-Supervised learning]1.Abstract 文中介绍了Interpolation Consistency Training（ICT），这是一种在半监督学习范式下训练深层神经网络的简单且计算效率高的算法。ICT鼓励未标记点插值处的预测与在这些点处的预测值一致。在分类问题中，IC
原文作者：Matthijs Hollemans
WWDC 2017 使一件事情变得非常清楚，那就是：Apple 正在全力以赴地支持「设备上的机器学习」了。他们希望 App 的开发者们能够尽可能的简单的加入他们的行列中。Apple 去年发布了可以用于创建基本的卷积神经网的 Metal CNN 和 BNNS 框架。今年，Metal 得到了进一步扩展，增加了一个全新的计算机视觉框架，以及 Core ML
转载
2024-06-20 20:15:45
39阅读
目录一、解决的问题二、算法概要训练的过程测试的过程三、算法详解四、实验结果五、总结一、解决的问题R-CNN存在以下几个问题：训练分多步。通过上一篇博文我们知道R-CNN的训练先要fine tuning一个预训练的网络，然后针对每个类别都训练一个SVM分类器，最后还要用regressors对bounding-box进行回归，另外region proposal也要单独用selective search
转载
2024-09-23 19:39:16
40阅读
一、深度学习引入1.各学习方法之间的联系SL、 SSL和UL是传统ML方法:DL提供了一个更强大的预测模型,可产生良好的预测结果;RL提供了更口快的学习机制,且更适应环境的变化;TL突破了任务的限制,将TL应用于RL中,能帮助RL更好地落实到实际问题。2.概念1.监督学习(Supervised learning，SL)向学习算法提供有标记的数据和所需的输出，对每一次输入，学习者均被提供了一个回应目
转载
2024-07-13 15:12:58
195阅读
半监督学习啥是半监督学习（Semi-supervised Learning）1.简单自训练（simple self-training）2.协同训练（co-training）3.半监督字典学习4.标签传播算法（Label Propagation Algorithm）5.半监督支持向量机半监督深度学习算法1.无标签数据预训练，有标签数据微调2.利用从网络得到的深度特征来做半监督算法3.让网络 wor
转载
2024-04-25 10:53:28
61阅读
一：什么是机器学习机器学习的方法是基于数据产生的 “模型”（model）的算法，也称 “学习算法”（learning algorithm）。包括有监督学习（supervised learning）、无监督学习（unsupervised learning）、半监督学习（semi-supervised learning）、强化学习（reinforcement learning）。 1.有监督学习 指对
转载
2024-06-10 06:11:52
13阅读
1、监督学习（supervised learning）训练数据既有特征(feature)又有标签(label)，通过训练，让机器可以自己找到特征和标签之间的联系，在面对只有特征没有标签的数据时，可以判断出标签，即生成合适的函数将输入映射到输出。2、无监督学习（unsupervised learning）训练样本的标记信息未知，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数
转载
2024-06-15 19:06:38
121阅读
RCNN基础背景： selective search 将n个预分割的区域，通过多种策略（多个判定标准）,使用层次聚类的思想，将区域合并成需要的区域个数（2k～3k）SVM 通俗来讲，它是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。hard negative mining 在正样本的数量远远小于
半监督支持向量机（S3VMs） 今天我们主要介绍SVM分类器以及它的半监督形式S3VM，到这里我们关于半监督学习基础算法的介绍暂时告一段落了。之后小编还会以论文分享的形式介绍一些比较新的半监督学习算法。让我们开始今天的学习吧~引入 支持向量机（SVM）相信大家并不陌生吧？但是如果数据集中有大量无标签数据（如下图b），那么决策边界应该如何去确定呢？仅使用有标签数据学得的决策边界（如下图a）将穿过
转载
2023-11-16 17:30:46
119阅读
文章目录半监督学习生成式方法半监督SVM基于分歧的方法图半监督学习半监督聚类 半监督学习 在真实应用场景中，训练样本集的数目通常会很大。但是都是未标记数据，特别是在一些跨领域行业中，比如医疗，工业。对样本的分析都需要专业人才，甚至高精尖的人才来确定标记。而这些人肯定是不可能给你长时间的打标记的。那么半监督学习就是想利用小部分的标记数据，再加上大量未标记样本来进行推理和判断。之前描述的监督学习和无
转载
2024-04-16 16:32:08
290阅读
1、几种监督方式（待完善） 监督，无监督，半监督，弱监督，多示例，迁移学习！ 监督学习：多是分类问题，数据与标记有一一对应的关系 半监督学习：大量未标记数据和少量标签数据， 弱监督学习：不完全监督：只有一部分训练数据具备标签；不确切监督：训练数据只具备粗粒度标签；例如，在药物活性预测 [40] 的问题中，其目标是建立一个模型学习已知分子的知识，来预测一个新的分子是否适合制造一种特定药物。一个分子可
转载
2024-04-15 12:57:08
82阅读
全监督学习（supervised learning） 训练数据都有完整和准确的标签，模型通过学习输入数据和标签之间的映射关系来完成特定的任务，例如分类、回归等。全监督学习需要大量的人工标注，但是可以获得较高的性能。无监督学习（unsupervised learning） 训练数据没有任何标签，模型通过学习数据本身的分布或结构来发现一些隐含的模式或特征，例如聚类、降维等。无监督学习不需要人工标注，但
转载
2024-03-07 10:26:25
104阅读
