半监督算法
文章平均质量分 92
ccjoffrey
这个作者很懒,什么都没留下…
展开
-
信号数据扩增方法
AugmentData Augmentation for Deep Learning-Based Radio Modulation Classification这篇文章写得不错,总结了三种常用的信号数据的扩增方式。文章中实验证明旋转优于翻转优于加噪。但我们的实验结果说明翻转优于旋转优于加噪,且加噪效果很差。这可能由于数据集的不同。另外从理论上而言,翻转不会引入噪声,而旋转会引入相位噪声,所以理论上翻转应该优于旋转。若有不同理解欢迎讨论。flip分别对应原始样本,竖直翻转,水平反转,竖直和水平反转。原创 2021-08-15 21:09:43 · 2337 阅读 · 1 评论 -
FixMatch文章解读+算法流程+核心代码详解
FixMatch本博客仅做算法流程疏导,具体细节请参见原文原文查看原文点这里Github代码Github代码点这里解读FixMatch算法抓住了半监督算法的两个重要观点,第一个是一致性正则化,第二个是伪标记。一致性正则化在MixMatch中已经介绍过了,在此不再赘述。伪标记是一种常用的半监督算法。伪标记伪标记(pseudo label)其实算最早的一类半监督算法,代表算法self-training。简单地说就是通过训练的模型对无标记样本打标签,这个标签有对有错,通过一些方法筛选标签后,选择原创 2021-08-02 10:47:09 · 8414 阅读 · 4 评论 -
MixMatch文章解读+算法流程+核心代码详解
MixMatch本博客仅做算法流程疏导,具体细节请参见原文原文查看原文点这里Github代码Github代码点这里解读MixMatch抓住了半监督算法的两个重要观点:第一是熵最小化;第二是一致性正则化。结合这两个观点的算法就形成了MixMatch。熵最小化半监督算法的一个常见假设就是分类的决策边界不应该通过数据分布的高密度区域。这句话简单的理解可以想象一个聚类模型,其决策边界一定是在簇与簇之间的稀疏边界上,不可能穿过一个簇的中心(高密度区域)。而实现这一点的一种方法就是要求分类器对未标记数原创 2021-07-31 17:02:37 · 7405 阅读 · 10 评论 -
Virtual Adversarial Training文章解读+算法流程+核心代码详解
Virtual Adversarial Training本博客仅做算法流程疏导,具体细节请参见原文原文查看原文请点这里Github代码Github代码请点这里解读对比Adversarial Training和VATVAT(Virtual Adversarial Training)和adversarial training类似。对原始训练样本添加一个比较小的扰动,会大概率使分类器分类出现错误,而我们一般希望分类器将原始样本和添加一个较小扰动的样本(加噪版本)分为同一类别,所以将扰动版本的数据也原创 2021-07-30 15:26:06 · 1773 阅读 · 0 评论 -
MeanTeacher文章解读+算法流程+核心代码详解
MeanTeacher本博客仅做算法流程疏导,具体细节请参见原文原文原文链接点这里Github 代码Github代码点这里解读论文解读点这里算法流程代码详解 train_transform = data.TransformTwice(transforms.Compose([ data.RandomTranslateWithReflect(4), transforms.RandomHorizontalFlip(), transforms.T原创 2021-07-29 20:04:33 · 6944 阅读 · 8 评论