Contextual Diversity for Active Learning阅读笔记

最新推荐文章于 2022-04-19 15:54:30 发布
最新推荐文章于 2022-04-19 15:54:30 发布
阅读量656 收藏 1
点赞数
分类专栏： 鼠太郎的文献阅读
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.csdn.net/qq_42131051/article/details/118613215
版权
该文献提出了一种新的概念——语境多样性（CD），用于量化模型预测的不确定性，特别是在图像的空间和语义上下文中。通过计算伪标记样本的softmax后验概率的混合，CD度量得以实现。接着，文章探讨了两种基于CD的主动学习样本选择策略，以优化手动标注的效率。
摘要由CSDN通过智能技术生成

主动学习的语境多样性 ECCV2020的一篇文献

粗略读了一下

引入了一个新概念，语境多样性CD，CD 的核心是我们对模型预测不确定性的量化，其定义为伪标记样本的softmax后验概率的混合。这种混合分布有效地捕捉了一组图像上的空间和语义上下文。

导出CD度量后，用两种主动选择策略挑选样本标记

小鼠太郎
关注
专栏目录
USDM uncertainty sampling
DeniuHe的博客
06-12 142
uncertainty sampling with maximum diversity
「论文阅读」SCF-Net：Learning Spatial Contextual Features for Large-Scale Point Cloud Segmentation
小麋鹿跑了的博客
02-13 4494
本文的骨干网络主要是基于RandLaNet的，所以，对比着RandLaNet看。 作者从文章摘要中就指出，本文主要解决的问题是如何从大规模点云中学习特征，因此作者提出一个模块称为空间上下文特征（SCF）模块。 SCF模块由三个模块组成： 1）局部极坐标表示块 2）双距离注意池化块 3）全局上下文特征块 （类比RandLaNet中的局部特征聚合模块，局部特征聚合模块由： 1局部空间编码(LocSE)， 2注意力池化(attentive pooling)， 3扩张残留块 ） 空间上下文特
【论文笔记】Contextual Diversity for Active Learning(ECCV2020)
weixin_42126945的博客
03-17 1312
论文： 代码： 摘要   1. 介绍 2. 相关工作 3. 方法 3.1 4. 实验 5.结论
浅谈 Active Learning
a1424262219的博客
03-04 184
1. Active Query Driven by Uncertainty and Diversity for Incremental Multi-Label Learning The key task in active learning is to design a selection criterion such that queried labels can improv...
主动学习active learning方法汇总
小鼠太郎的博客
07-21 2092
更新2021/7/21 到目前为止看了不少主动学习的文献，简单做一下一些目前为止了解到的主动学习方法的整理吧。 起初是精读的文献中整理的，后来发现在精读文献的方法比较里也有一些比较经典的主动学习方法，附有略写名字和一些文献笔记，部分笔记可能因本人知识储备少存在错误。 目录 主动学习综述 1、A survey on active learning and human-in-the-loop deep learning for medical image analysis 主动学习方法 ...
干货 | Active Learning: 一个降低深度学习时间，空间，经济成本的解决方案
weixin_33939843的博客
09-19 311
大数据文摘 本文系作者投稿作品 作者 |Zongwei Zhou（周纵苇） 大数据文摘欢迎各类优质稿件 请联系tougao@bigdatadigest.cn 在深度学习研究应用中，有这样两个常见的场景： 一共手头有100个未标记样本，和仅仅够标记10个样本的钱，老板说，通过训练这十个标记的样本，能接近甚至达到训练100个样本的performa...
ICCV 2019 |Deep Contextual Attention for Human-Object Interaction Detection论文阅读笔记
weixin_59340037的博客
04-19 3543
人物交互检测是视觉关系检测任务中非常重要的一类任务，对于场景的深入理解至关重要，现在很多方法将其分解为目标定位与交互识别，尽管取得了一定的进展，但是这些方法仅仅依赖于人和物体的外观而忽略掉有效的上下文信息，但是这些信息对于捕获他们之间的细微交互是非常重要的。本文提出了一个用于人物交互检测的上下文注意力框架，该方法通过学习实例的上下文感知外观特征来利用上下文信息，然后使用注意力模块自适应的选择与实例相关的上下文信息，以突出可能包含人物交互的图像区域。该方法在V-COCO上获得了4.4%的mAProle的提高.
Learning Conceptual-Contextual Embeddings for Medical Text.pdf
10-19
论文提出了一个名为“概念上下文”（Conceptual-Contextual, CC）的嵌入模型，该模型将结构化的知识融入到文本表示中。与实体嵌入方法不同，CC嵌入模型将知识图谱编码进上下文模型，使得模型能够容易地被应用于各种...
红外弱小目标检测之“Asymmetric Contextual Modulation for Infrared Small Target Detection“阅读笔记
WNANPHOTO的历程
01-12 4166
Asymmetric Contextual Modulation for Infrared Small Target Detection 本文开源代码及单帧红外小目标检测数据集： code：https://github.com/YimianDai/open-acm sirst：https://github.com/YimianDai/sirst 427张短波、中波，950nm红外图像，5种标注方式 (a)类别标签 (b) 实例分割 © 边界框 (d) 语义分割 (e) 实例定位 模型驱动方法存在的缺点
Relative image similarity learning with contextual information for Internet cross-media retrieval
02-21
随着互联网上图像数据量的爆炸性增长，跨媒体检索成为一个迫切需要解决的问题。图像通常伴随着上下文文本信息，这两种异构模式相辅相成，使得互联网内容更加富有信息。在大多数情况下，视觉信息可以视为文本文档的...
主动学习(Active Learning)
热门推荐
猪逻辑公园
12-26 6万+
1. 写在前面 　　在机器学习(Machine learning)领域，监督学习(Supervised learning)、非监督学习(Unsupervised learning)以及半监督学习(Semi-supervised learning)是三类研究比较多，应用比较广的学习技术，wiki上对这三种学习的简单描述如下： 监督学习：通过已有的一部分输入数据与输出数据之间的对应关系，生成一个函...
Active learning 主动学习的来世今生
Jinpeijie217的博客
06-15 5531
Active learning Survey主动学习的来世今生核心思想：主动学习可以基于较少的已标注的数据量得到同样好的模型准确率。在几乎所有的机器学习问题中，虽然未标注数据很丰富且易于获得，但是标注数据却很少或者需要大量的人工标注（成本问题）。所以主动学习是解决问题的核心方法之一。这篇文章提供了一个主动学习详细的介绍和相关文献的总结。主要包括解决方案，查询策略框架，主动学习的分析，设置变量的问题...
Active Learning: 一个降低深度学习时间，空间，经济成本的解决方案｜CVPR 2017
luo2007专栏Gods determine what you're going to be！
07-30 2491
Active Learning下面要介绍的工作发表于 CVPR 2017，题为「Fine-tuning Convolutional Neural Networks for Biomedical Image Analysis: Actively and Incrementally」。它主要解决了一个深度学习中的重要问题：如何使用尽可能少的标签数据来训练一个效果 promising 的分类器。根
主动学习（Active Learning，AL）综述
蓝鲸鱼的博客
03-20 7855
目录1. 基本概念2. 基于不确定性的主动学习方法3.基于最近邻和支持向量的分类器的方法3.1 NNClassifier3.2 RBF network + Gradient Penalty4 基于特征空间覆盖的方法5 基于对抗学习的方法5.1 VAAL5.1.1 核心思想5.1.2 网络结构5.1.3 主动学习策略5.1.4 模型特点5.2 SRAAL5.3 ARAL6 融合不确定性和多样性的学习方法6.1 信息论思路6.2 构建候选集+大差异样本——SA6.3 梯度嵌入空间——badge7 基于变化最大的
【Active Learning - 01】深入学习“主动学习”：如何显著地减少标注代价
Houchaoqun_XMU的博客
07-08 2万+
主动学习系列博文： 【Active Learning - 00】主动学习重要资源总结、分享（提供源码的论文、一些AL相关的研究者）：https://blog.csdn.net/Houchaoqun_XMU/article/details/85245714 【Active Learning - 01】深入学习“主动学习”：如何显著地减少标注代价：https://blog.csdn.net/Hou...
Cost-Effective Active Learning forDeep Image Classification阅读笔记
小鼠太郎的博客
11-27 1750
2016年的文章，总的来说其实亮点不多，但是有一个主动学习和无监督结合的一个方法挺引人注意的，放到现在可能有些过时。 简单放一下ppt，文献过于简单，不需要太多的笔记 这里强调的一个创新点是不光把置信度低的样本用上，连着置信度高的也用上了 简单的交叉熵实现已标记样本的对cnn的一个训练 低置信度，有点简单粗暴了 j1j2是最有可能的两种所属分类，如果比较相近，msi对应就比较低，那么就认定是这个样本处于两个类的边界上 取一个所有类的期望 ...
ACTIVE LEARNING FOR CONVOLUTIONAL NEURAL NETWORKS : A CORE -SET APPROACH阅读笔记
小鼠太郎的博客
07-09 1453
ICLR 2018的一篇文献，看Multiple Instance Active Learning for Object Detection的在评价性能的时候看到了这个模型，由于是第一次接触主动学习，拿来粗略读一下。 论文原文：1708.00489.pdf), (arxiv.org)
Multiple Instance Active Learning for Object Detection论文阅读笔记
小鼠太郎的博客
07-06 1242
Multiple Instance Active Learning for Object Detection用于目标检测的多实例主动学习 原文链接：[2104.02324] Multiple instance active learning for object detection (arxiv.org) 代码：GitHub - yuantn/MI-AOD: Code for Multiple Instance Active Learning for Object Detection, CVPR 202
Sequential Graph Convolutional Network for Active Learning阅读笔记
小鼠太郎的博客
07-16 1168
用于主动学习的序列图卷积神经网络 cvpr2021的一篇文献 文献链接2006.10219.pdf (arxiv.org) 代码https://github.com/razvancaramalau/Sequential-GCN-for-Active-Learning ---- 这篇文献是将图神经网络（GCN）引入到主动学习中来的，先简单理解一下GCN，我也查了不少资料，感觉因为数学水平不够的原因，都太难理解了。 GCN是针对图结构数据的网络，图结构是由节点和边组成的。在本文献中，一批数据构成图结
Contextual Transformer
最新发布
08-31
Contextual Transformer是一种基于Transformer架构的模型，它用于处理自然语言处理任务，如文本分类、机器翻译等。Transformer模型是由Google于2017年提出的一种基于自注意力机制的神经网络架构，它在处理序列数据时取得了很好的效果。 Contextual Transformer通过多层的自注意力机制来学习输入序列中不同位置的上下文信息，并利用这些信息来生成上下文感知的表示。它的输入是一个由单词或字符组成的序列，经过嵌入层转换为向量表示，然后通过多层的自注意力层进行信息交互和特征提取，最后输出用于具体任务的预测结果。 Contextual Transformer在自然语言处理领域取得了很好的效果，特别是在一些需要对上下文进行建模的任务上。它能够有效地捕捉句子中不同位置之间的依赖关系，同时具备较好的表示学习能力。这使得它在文本分类、命名实体识别、机器翻译等任务中得到了广泛应用。
评论
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