TPAMI 2024 | PiCO+：用于鲁棒部分标签学习的对比标签消歧

最新推荐文章于 2024-06-24 00:36:46 发布
最新推荐文章于 2024-06-24 00:36:46 发布
阅读量120 收藏
点赞数 4
分类专栏： 论文解读 IEEE TPAMI 文章标签： 学习
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_42722197/article/details/139425104
版权

PiCO+: Contrastive Label Disambiguation for Robust Partial Label Learning

题目：PiCO+：用于鲁棒部分标签学习的对比标签消歧

作者：Haobo Wang; Ruixuan Xiao; Yixuan Li; Lei Feng; Gang Niu; Gang Chen; Junbo Zhao
源码：https://github.com/hbzju/PiCO

摘要

部分标签学习（Partial Label Learning, PLL）是一个重要的问题，它允许每个训练样本被标记为包含真实标签的粗略候选集。然而，在更实际但具有挑战性的场景中，注释者可能遗漏真实标签并提供错误的候选集，这被称为噪声PLL问题。为了解决这个问题，我们提出了PiCO+框架，该框架同时对候选集进行消歧和减轻标签噪声。PiCO+的核心是，我们开发了一种新颖的标签消歧算法PiCO，它由对比学习模块和新颖的基于类原型的消歧方法组成。从理论上讲，我们展示了这两个组成部分是相互有益的，并且可以从期望最大化（Expectation-Maximization, EM）算法的角度进行严格论证。为了处理标签噪声，我们将

了解本专栏 订阅专栏 解锁全文
小白学视觉
关注
  • 4
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
订阅专栏
TPAMI 2024| DualCoOp++：一种快速高效的有限注释多标签识别方法
小白学视觉
05-25 669
在低标签状态下的多标签图像识别是一项极具挑战性和实际意义的任务。之前的工作主要集中在学习文本和视觉空间之间的对齐，以弥补图像标签的不足，但由于高质量多标签注释的缺乏，可能会导致精度下降。在这项研究中，我们利用了通过数百万辅助图像-文本对预训练的强大文本和视觉特征对齐能力。我们引入了一种高效的框架，称为证据引导的双上下文优化 (DualCoOp++)，作为解决部分标签和零样本多标签识别的统一方法。在 DualCoOp++ 中，我们分别为目标类别编码证据、正面和负面上下文，作为语言输入的参数化组件（即提示）。
ICLR 2022：​PiCO，基于对比消歧的偏标签学习 丨AI Drive
shujushizhanpai的博客
05-22 1074
偏标签学习 (Partial Label Learning, PLL) 是一个经典的弱监督学习问题，它允许每个训练样本关联一个候选的标签集合，适用于许多具有标签不确定性和歧义的的现实世界数据标注场景。 然而，现存的 PLL 算法与完全监督下的方法依然存在较大差距。 针对这一现象，本期 AI Drive，浙江大学人工智能系在读博士-王皓波，解读其发表在 ICLR 2022的最新研究成果：PiCO：基于对比消歧的偏标签学习。 这项研究提出一个协同的框架，解决 PLL 中的两个关键研究挑战——表征学习和标签消歧.
ICLR 2022最佳论文/PiCO: Contrastive Label Disambiguation for Partial Label Learning
qq_43288368的博客
10-07 450
本文是ICLR 2022的best paper，研究了一个十分有趣的问题，叫做标签歧义。论文链接：https://arxiv.org/abs/2201.08984
论文阅读“PICO: CONTRASTIVE LABEL DISAMBIGUATION FOR PARTIAL LABEL LEARNING”（ICLR2022）
qq_43497436的博客
04-16 3663
论文标题 PICO: CONTRASTIVE LABEL DISAMBIGUATION FORPARTIAL LABEL LEARNING 论文作者、链接 作者：Wang, Haobo and Xiao, Ruixuan and Li, Yixuan and Feng, Lei and Niu, Gang and Chen, Gang and Zhao, Junbo 链接：https://arxiv.org/abs/2201.08984 摘要翻译 bla 相关工作 bla 论文方法 bl
PiCO调BUG记录：偏标记学习-PiCO: Contrastive Label Disambiguation for Partial Label Learning
yscript的博客
10-16 168
PiCO调BUG记录，文章为偏标记学习领域(PiCO: Contrastive Label Disambiguation for Partial Label Learning)
PICO: CONTRASTIVE LABEL DISAMBIGUATION FOR PARTIAL LABEL LEARNING
没有期待的日子反而会顺顺利利
05-22 864
部分标签学习(PLL)是一个重要的问题，它允许每个训练示例使用一个粗略的候选集进行标记，这非常适合许多具有标签模糊性的真实数据标注场景。尽管有这样的承诺，PLL的性能往往落后于监督的同类产品。 在这项工作中，我们通过在一个连贯的框架中解决PLL表征学习和标签消歧中的两个关键研究挑战来弥合这一差距。具体来说，我们提出的框架PiCO包括一个对比学习模块和一个新的基于类原型的标签消歧算法。 PiCO为来...
TPAMI 2024 | 半监督学习用于多标签心血管疾病预测：多数据集研究
小白学视觉
06-11 265
心电图（ECG）是预测心血管疾病（CVDs）的非侵入性工具。由于深度学习技术的快速发展，目前基于ECG的诊断系统表现出令人鼓舞的性能。然而，标签稀缺问题、多种CVDs的共现以及在未见数据集上的表现不佳极大地阻碍了基于深度学习模型的广泛应用。在一个统一框架中解决这些问题仍然是一个重大挑战。为此，我们提出了一种多标签半监督模型（ECGMatch），以在有限监督下同时识别多种CVDs。在ECGMatch中，开发了一个ECGAugment模块用于弱和强的ECG数据增强，从而生成多样化的样本用于模型训练。
直播预告|ICLR 2022：PiCO：基于对比消歧的偏标签学习
AI_Drive的博客
04-15 3212
「AI Drive」是由 biendata 和 PaperWeekly 共同发起的学术直播间，旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为，单向地输出知识并不是一个最好的方式，而有效地反馈和交流可能会让知识的传播更加有意义，从而产生更大的价值。 本期 AI Drive，我们邀请到浙江大学人工智能系在读博士-王皓波，为大家在线解读其发表在ICLR 2022的最新研究成果：PiCO：基于对比消歧的偏标签学习。对本期主题感兴趣的小伙伴，4 月 19 日（周二）晚 7 点，我们准时相约 AI_...
[TPAMI2021]PSGAN++: Robust Detail-Preserving Makeup Transfer and Removal
wrk226的博客
03-04 498
和PSGAN相比只是多了一个基于密集landmark的所谓妆容密集损失，别的没有区别。 结构如图所示，和PSGAN最明显的区别就是多了个IDNet，而这个IDNet事实上就是在计算cycle consistency loss的时候本就有的一个去妆容的组件。所以本质上结构是没变的 上图就是本文的唯一创新点，使用了一个检测器检测出两个脸中的密集landmark，然后点与点之间做颜色损失。 ...
数据融合matlab代码-TPAMI-CU-Net:TPAMI-CU-Net
05-22
该存储库是我们题为“用于多模式图像恢复和融合的深度卷积神经网络”的论文的Tensorflow代码。 拟议的CU-Net的网络体系结构。 对于与MIR相关的任务，最终的重建（第4点）由共同的重建（第1点）和唯一的重建（第2点）...
matlab+ldp代码-MFQEv2.0:TPAMI2019“MFQE2.0：在压缩视频上增强多帧质量的新方法”的官方资料库
05-20
2.0：增强压缩视频多帧质量的新方法（TPAMI 2019） :rocket: 更新（21/4/27）：我们在开源了所有比较的方法。 MFQE也将很快重新实现并开源。 0.背景 TPAMI 2019的官方资料库。 第一种用于压缩视频的多帧质量增强方法...
SurfaceNet-plus:2020年的TPAMI，SurfaceNet +是非常稀疏的MVS的体积学习框架。此处保留了稀疏-MVS基准。作者
03-21
2020TPAMI。 或Arxiv 。 关键贡献 提出了稀疏-MVS基准（正在建设中）对数据集进行综合评估： ，等。 提出了一种可训练的遮挡感知的视图选择方案，用于体积MVS方法，例如 [5]。 分析了体积方法（例如 [5]和...
用卷积滤波器matlab代码-TPAMI_Gait_Identification:关于“使用深度神经网络进行人体步态识别的事件流表示法”的仓库
05-21
用卷积滤波器matlab代码概括 这是由Yanyan Wang，赵光荣，崔丽珍，崔红珍，温宏开等人使用深层神经网络进行人体步态识别的事件流表示的代码。 可以找到该文件。 介绍 在本文中，我们基于事件流的两种不同表示（即图...
PAM:[TPAMI 2020]视差注意在无监督的立体函授学习中
05-24
视差注意机制（PAM） IEEE TPAMI 2020“无监督立体函授学习的视差注意”存储库概述1.网络架构2.左右一致性和循环一致性3.有效遮罩应用领域1.用于无监督立体声匹配（PASMnet）的PAM 1.1概述1.2结果 2.用于立体声图像...
用于视觉对象跟踪的序列到序列学习
weixin_48833388的博客
06-21 725
无
llama系列模型学习
weixin_40777649的博客
06-21 1089
而使用强化学习方法，则可以通过定制奖励函数，将正确答案赋予非常高的分数，将放弃回答的答案赋予中低分数，将不正确的答案赋予非常高的负分，使得模型学会依赖内部知识选择放弃回答，从而在一定程度上缓解模型的幻觉问题。与Llama 1 一样，将所有数字拆分为单独的数字，并使用字节来分解未知的 UTF-8 字符。这主要原因是用于训练语言模型的大数据语料库在收集时难免会包含一些错误的信息，这些错误知识都会被学习，存储在模型参数中，相关研究表明模型生成文本时会优先考虑自身参数化的知识，所以更倾向生成幻觉内容。
【自监督-MIM】系列方法学习二
最新发布
Jeremy_lf的博客
06-24 893
Masked image modeling 是一种训练深度学习模型的技术，尤其是在视觉领域，类似于自然语言处理中的掩码语言建模（Masked Language Modeling）。它通过在输入图像中随机遮挡（或称为掩码）部分区域，然后训练模型来预测这些被遮挡部分的内容，从而提高模型的视觉理解能力。Masked image modeling 主要用于视觉自监督学习（Visual Self-Supervised Learning）任务，帮助模型学习图像的内在结构和表示，而无需依赖大量的标注数据。
6.S081的Lab学习——Lab7: Multithreading
qq_43264167的博客
06-19 1397
一个本硕双非的小菜鸡，备战24年秋招。打算尝试6.S081，将它的Lab逐一实现，并记录期间心酸历程。
IEEE TPAMI 用于缺陷检测的期刊
04-05
IEEE TPAMI（IEEE Transactions on Pattern Analysis and Machine Intelligence）是一个涵盖模式识别、计算机视觉、图像处理和机器学习等领域的高质量期刊，其中也包括用于缺陷检测的研究。 以下是一些在IEEE TPAMI期刊上发表的用于缺陷检测的论文： 1. "Automatic Defect Detection in X-Ray Images Using Convolutional Neural Networks"（使用卷积神经网络自动检测X射线图像中的缺陷）-- 该论文提出了一种基于卷积神经网络（CNN）的自动缺陷检测方法，该方法可以应用于各种类型的X射线图像中的缺陷检测。 2. "Unsupervised Defect Detection in Textured Materials Using Convolutional Autoencoders"（使用卷积自动编码器在纹理材料中进行无监督缺陷检测）-- 该论文提出了一种基于卷积自动编码器（CAE）的无监督缺陷检测方法，该方法可以有效地检测纹理材料中的缺陷。 3. "A Hierarchical Approach to Defect Detection in Semiconductor Wafer Images"（半导体晶圆图像缺陷检测的分层方法）-- 该论文提出了一种基于分层方法的缺陷检测方法，可以应用于半导体晶圆图像中的缺陷检测。 4. "Deep Learning-Based Defect Detection in Semiconductor Manufacturing"（基于深度学习的半导体制造中的缺陷检测）-- 该论文提出了一种基于深度学习的缺陷检测方法，可以应用于半导体制造中的缺陷检测，并且在实验中取得了良好的结果。 这些论文都展示了IEEE TPAMI作为一个重要的期刊，提供了广泛的研究和应用领域，包括缺陷检测。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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