CVPR-2024-Targeted Representation Alignment for OW-Semi-Supervised Learning
2.目前的方法仅依赖于风险较大的基于相似性的聚类算法,且未对无标签样本进行限制。设定具有最大分离度的目标原型,利用目标分类器,逐步将表征对齐至预定义的equiangular tight frame (ETF)原型,以实现嵌入的最优状态。1.开放世界半监督学习的目的是利用来自标记数据的信息对未标记样本进行分类,其中未标记样本可以来自于已知类,也可以来自于未见过的新类。2.OW-SSL中,缺少新类标注会破坏NC的导向作用,无标注样本的校准依赖于伪标签,错误的伪标签会误导校准结果。利用神经崩溃现象得到最佳特征。
原创
2024-06-22 18:09:39 ·
350 阅读 ·
0 评论