半监督语义分割方法的总结：主要思想： Consistency regularization ：希望不同扰动之下网络的输出结果一致，扰动的加入的位置：（1）在输入图片上加扰动（2）在某一层的输出特征上添加扰动创新点：鼓励两个初始化不同（不同扰动）的网络的一致性利用半监督的方式相当于扩充了数据集网络结构两个网络的结构相同，但使用不同的初始化（作为不同的扰动），具体而言，2个网络backbone部分使用
转载
2023-10-25 15:59:46
195阅读
Mean teachers are better role models: Weight-averaged consistency targets improve semi-supervised deep learning results The pipeline of the mean-teacher framework for classification
研究背景随着人工智能技术在医
转载
2024-01-05 20:23:35
660阅读
1评论
文章目录前言一、动机二、Why Distributed Data Parallel？三、大图景（The big picture）四、最小例程与解释五、加上 MultiProcessing六、使用Apex进行混合混合精度训练参考链接 前言Data Parallel 并行运算时，各种原因导致单进程多卡的时候只有一张卡在进行运算在使用 Distributed Data Parallel 时，注意 需要
转载
2024-06-18 19:33:05
65阅读
【翻译自： Semi-Supervised Learning With Label Propagation】 【说明：Jason Brownlee PhD大神的文章个人很喜欢，所以闲暇时间里会做一点翻译和学习实践的工作，这里是相应工作的实践记录，希望能帮到有需要的人！】  
转载
2024-04-10 13:45:57
75阅读
半监督学习：综合利用有类标的数据和没有类标的数据，来生成合适的分类函数。它是一类可以自动地利用未标记的数据来提升学习性能的算法1、生成式半监督学习 优点：方法简单，容易实现。通常在有标记数据极少时，生成式半监督学习方法比其他方法性能更好 缺点：假设的生成式模型必须与真实数据分布吻合。如果不吻合则可能效果很差。而如何给出与真实数据分布吻合的生成式模型，这就需要对问题领域的充分了解2、图半监督
转载
2023-08-17 16:24:39
110阅读
一，深度学习基础1. 了解常见的四个机器学习方法监督学习、无监督学习、半监督学习、强化学习是我们日常接触到的常见的四个机器学习方法：监督学习：通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出。无监督学习：它与监督学习的不同之处，在于我们事先没有任何训练样本，而需要直接
转载
2023-10-02 19:36:11
223阅读
Adversarial Learning for Semi-Supervised Semantic Segmentation摘要创新点：我们提出了一种使用对抗网络进行半监督语义分割的方法。
在传统的GAN网络中，discriminator大多是用来进行输入图像的真伪分类（Datasets里面sample的图片打高分，generator产生的图片打低分），而本文设计了一种全卷积的discrimina
转载
2024-05-22 19:55:12
130阅读
机器学习基础监督学习给定学习目标（标签），让预测值与目标更加接近。主要是 传统的二分类，多分类，多标签分类，还有新的目标检测，目标识别，图形分割等无监督学习没有标签的数据，通过推断输入数据中的结构来建模，模型包括关联学习，降维，聚类等半监督学习这个就是前两者的结合，使用大量的没标记的数据，同时由部分使用标记数据进行模式识别。自编码器就是一种半监督学习，生成的目标就是未经修改的输入，语言处理中根据给
转载
2023-10-24 14:37:32
141阅读
《半监督医学影像分割综述》引言两种不同类型的图像分割问题。相应的语义类对每个像素进行分类，从而给图像中属于这个类的所有对象或区域一个相同的类标签。实例分割试图更进一步，试图区分同一类的不同出现内容提供了半监督SS方法的最新分类以及对它们的描述。对文献中最广泛使用的数据集进行了广泛的最先进的半监督分割方法的实验。讨论了所获得的结果，当前方法的优点和缺点，该领域的挑战和未来的工作方向。背景问题阐述半监
转载
2024-04-02 09:54:39
379阅读
# pytorch 半监督学习
在机器学习领域中，监督学习是最常见的学习方式之一，其需要大量带有标签的数据来训练模型。然而，获取标签数据的过程通常是昂贵和耗时的。因此，半监督学习应运而生，它利用少量的标记数据和大量的未标记数据来训练模型。本文将介绍pytorch中的半监督学习方法，并提供代码示例。
## 半监督学习简介
半监督学习是一种介于监督学习和无监督学习之间的学习方法。在半监督学习中，
原创
2023-08-03 08:19:35
961阅读
# 半监督学习与 PyTorch
近年来，随着深度学习的快速发展，半监督学习作为一个重要的研究方向，受到了广泛关注。半监督学习结合了有标签数据和无标签数据，以提高模型的性能。本文将介绍半监督学习的基本概念、方法及在 PyTorch 中的实现，并通过具体代码示例来帮助大家理解这个主题。
## 半监督学习的基本概念
半监督学习的主要思想是使用少量的有标签样本和大量无标签样本进行模型训练。在许多实
# PyTorch 半监督学习入门指南
## 引言
近年来，深度学习的快速发展使得我们在各个领域取得了显著的进展。但是，要训练一个高效的深度学习模型通常需要大量标记数据，而获取标记数据的成本十分昂贵。因此，半监督学习（Semi-Supervised Learning, SSL）作为一种结合少量标记数据和大量未标记数据的学习策略，受到了广泛关注。本文将介绍PyTorch中的半监督学习方法，并提供
深度学习与pytorch人工智能（artificial intelligence,AI） 机器学习（machine learning) 深度学习（deep learning)一、机器学习在人工智能领域，机器学习 是实现人工智能的一个分支，也是人工智能领域发展最快的一个分支。简单地说，机器学习是计算机程序如何随着经验的积累而自动提高性能，使系统自我完善的过程。机器学习在近30多年已发展成为一门多领域
转载
2023-12-06 23:37:00
71阅读
前言 如果您曾经听说过或研究过深度学习，那么您可能就知道MNIST, SVHN, ImageNet, PascalVoc或者其他数据集。这些数据集都有一个共同点： 它们由成千上万个有标签的数据组成。 换句话说，这些集合由(x，y)对组成，其中(x)是原始数据，例如是一个图像矩阵；而(y)则表示该数据点(x)表示的标签。以MNIST数据集为例， MNIST数据集包含60,000个图像数据
转载
2023-08-22 12:42:27
174阅读
Deep Graph Library（DGL） DGL是一个专门用于深度学习图形的Python包, 一款面向图神经网络以及图机器学习的全新框架, 简化了基于图形的神经网络的实现。 在设计上，DGL 秉承三项原则：DGL 必须和目前的主流的深度学习框架（PyTorch、MXNet、TensorFlow 等）无缝衔接。从而实现从传统的 tensor 运算到
转载
2023-08-14 10:23:35
275阅读
目录前言方法（1） Positive & Negative Pseudo Label（2）基于不确定性的伪标签选择法实验结果后续伪标签更新总结前言半监督学习一般有两个方法一致性正则和打伪标签法即 consistency regularization 和 pseudo-label, 其中一致性正则主要是基于数据增强的一致性正则，目前比较成熟，关于数据增强笔者也总结过一篇博客即《半监督之数据增
文章目录参考资料1. 未标记样本1.1 主动学习1.2 常见假设1.3 半监督学习划分2. 生成式方法3. 半监督SVM4. 基于分歧的方法5. 半监督聚类5.1 Constrained k-means5.2 少量有标记样本 参考资料Machine-learning-learning-notesLeeML-NotesML-NLP 本博客是根据周志华的西瓜书和参考资料1、2、3所做的笔记，主要用于
转载
2024-04-27 16:22:36
124阅读
摘要：本文解决了半监督视频目标分割的问题。给定第一帧的mask，将目标从视频背景中分离出来。本文提出OSVOS，基于FCN框架的，可以连续依次地将在IMAGENET上学到的信息转移到通用语义信息，实现前景分割的目的，之后学习单个标注物体的外形。尽管所有的帧序列都是独立处理的，但结果却是时序相关的，连续稳定的。我们在两个标注的视频数据集上进行了测试，结果显示OSVOS是非常快的，同时较当前流行的最好
前言今天要介绍的这篇是将对比学习应用到对话系统的一篇最新paperGALAXY： https://arxiv.org/pdf/2111.14592.pdf废话不多说，直接开始～贡献先给出其贡献点。（1）第一个使用半监督让模型显示学习对话策略的研究。（2）实验结果显示了方法的有效性，其学习到了对话策略。（3）同时利用了有标签数据和无标签数据，给这一领域带来一些启发。对话预训练模型一个任务型对话系统，
Motivations传统的训练方式需要针对不同 domain 的数据分别设计模型，十分繁琐（deploy costs）语义分割数据集标注十分昂贵，费时费力Contributions本文提出的统一模型可以实现跨领域统一训练模型使用少量的标注数据和大量未标注数据（半监督模型）网络架构/方法实现基本结构：一个encoder和n个decoder（decoder数量和domain的数量相同）基本设定：假设
转载
2024-05-11 19:45:32
105阅读
