机器学习16：半监督学习semi-supervised

最新推荐文章于 2024-07-02 15:51:11 发布
最新推荐文章于 2024-07-02 15:51:11 发布
阅读量1.2k 收藏 3
点赞数
分类专栏： 机器学习
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/qqqinrui/article/details/85269013
版权
本文探讨了半监督学习的原因、主要内容、生成模型、低密度分离假设、损失函数、平滑假设以及寻找更好表示的重要性。在半监督学习中，未标记数据用于更新网络并改变分类边界，通过生成模型、概率分布和正则化技术来优化模型性能。
摘要由CSDN通过智能技术生成

一、why semi-supervised

dataset中只有部分数据进行了lable标注，即，有的数据成对出现｛输入，输出｝，有的数据只有输入｛输入｝；

Transductive learning（直推试学习）：unlabled数据作为测试集；

Inductive learning（启发式学习）：unlabled数据不是测试集。

半监督学习有用的原因：虽然unlabled数据的分类结果直接由supervsed的网络决定，但是，被测试的数据可以用来更新网络，简单说就是会改变分界线；但是，这种方式会基于labled data学习到网络对unlabled data进行分类，并不一定完全准确。

二、主要内容

最低0.47元/天 解锁文章
勤睿
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
单目深度估计：UnsupervisedMonocular Depth Estimation with Left-Right Consistency论文及代码全解析
sinat_39389724的博客
05-13 1692
这篇无监督的单目深度方法在github上共收获了1.6k星。本文将主要讲解这篇文章的主要创新点，以及其torch版本的代码讲解。 ## **预备知识**
回归基础：通过亮度恒定性和运动平滑度对光流进行无监督学习
weixin_40287314的博客
01-13 567
Back to Basics: Unsupervised Learning of Optical Flow via Brightness Constancy and Motion Smoothness 最近，卷积网络 (convnets) 已被证明可用于预测光流。 这种成功在很大程度上取决于大型数据集的可用性，这些数据集需要昂贵且复杂的数据采集和费力的标记。 为了绕过这些挑战，我们提出了一种无监督的方法（即，不利用地面实况流）来训练端到端的卷积网络来预测两个图像之间的光流。 **我们使用了一个损失函数，它结
Weakly-Supervised Salient Object Detection via Scribble Annotations
qq_49230659的博客
08-13 1661
Weakly-Supervised Salient Object Detection via Scribble Annotations摘要1. Introduction2. Related Work2.1. Learning Saliency from Weak Annotations2.2. Weakly-Supervised Semantic Segmentation2.3. Recovering Structure from Weak Labels2.4. Comparison with Existi
深度学习之半监督学习：一文梳理目标检测中的半监督学习策略
最新发布
absence521的博客
07-02 1015
传统机器学习根据训练数据集中的标注情况，有着不同的场景，主要包括：监督学习、弱监督学习、弱半监督学习、半监督学习。由于目标检测任务的特殊性，在介绍半监督目标检测方法之前，我们查看一下目标检测在四个方向上的具体设定：有监督目标检测：拥有大规模带标签的数据，包括完整的实例级别的标注，即包含坐标和类别信息弱监督目标检测：数据集中的标注仅包含类别信息，不包含坐标信息弱半监督目标检测：数据集中拥有部分实例级别的标注，大量弱标注数据，模型希望利用大规模的弱标注数据提升模型的检测能力半监督目标检测。
干货！从动态点云中学习的无监督3D物体分割
AITIME_HY的博客
04-17 447
点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！内容来自CVer计算机视觉宋子扬：香港理工大学计算机系博士二年级, 导师 YANG Bo. 研究兴趣为无监督的三维场景理解本文设计了一种通用的、能分割多个物体的无监督3D物体分割方法：这种方法在完全无标注的点云序列上进行训练，从运动信息中学习3D物体分割；经过训练后，能够直接在单帧点云上进行物体分割。为此，本文提出了无监督的3D物体分割方法...
论文阅读 2021 —— DRO: Deep Recurrent Optimizer for Structure-from-Motion
小玺大大
08-10 838
阅读一个关于预测深度图和相机姿态的一篇论文《DRO: Deep Recurrent Optimizer for Structure-from-Motion》用于SFM的深度循环优化器。 通过机器学习的方法研究SFM问题越来越多了，早期的风法是直接从图像中得到一个深度图和相机姿态，现在出现很多通过在网络中嵌入优化器用多视角提高精度。这个论文展示了一个基于循环网络的优化方法来进一步探索SFM网络中的潜力。优化器通过迭代来最小化feature-metric cost来更新深度和相机位姿。该方法作为一个零次优化器，
12、【李宏毅机器学习（2017）】Semi-supervised Learning（半监督学习）
Jimmyzqb的博客
08-29 5348
在前面的博客中主要介绍的算法全部都是监督学习的算法，接下来的博客将开始介绍半监督学习算法。 目录 半监督学习介绍 半监督学习与监督学习 监督学习中的样本中的是已知的，所以监督学习算法可以在训练集数据中充分使用数据的信息 半监督学习的样本中只有R个样本的是已知，U个样本的未知，且通常U远大于R – Transductive learning ：将未知标签的数据作为测试集数据（...
Graph-Based Semi-Supervised Learning
01-09
In order to adapt to this phenomenon, several semi-supervised learning (SSL) algorithms, which learn from labeled as well as unlabeled data, have been developed. In a separate line of work, ...
semi-supervised-learning半监督学习详细介绍PPT——共61页
12-12
半监督学习（Semi-supervised Learning，SSL）是机器学习领域中的一个重要分支，介于监督学习和无监督学习之间。它的主要思想是使用小量的标记数据和大量的无标记数据来训练模型，从而提高模型的泛化能力和分类性能...
论文研究-Pointwise Manifold Regularization for semi-supervised classification.pdf
08-16
其中，流形正则化（Manifold Regularization, MR）是一种强大的半监督学习框架。它的核心思想是基于流形假设，即在高维数据流形上，彼此接近的数据点往往属于同一个类别。通过约束流形图上相似样本具有相似的分类...
Self-labeled-techniques-for-semi-supervised-learning
05-15
标签中提到的"self-labeled"指的是自标记的过程，"semi-supervised-learning"表示半监督学习的场景，"tri-training"则是三重训练算法，"self-training"则对应自我训练方法。 项目报告可能涵盖了以下内容： 1. **...
FLOWPRINT-Semi-Supervised Mobile-App.pdf
03-30
FLOWPRINT是一项半监督式的方法，用于对移动应用的加密网络流量进行指纹识别，尤其适用于移动环境中应用的识别。在当前的移动环境中，应用程序经常被安装、更新以及卸载，这就要求指纹识别技术能够适应这些变化，...
面向单目深度估计的基于几何的预训练方式 -- Geometric Pretraining for Monocular Depth Estimation
Levi_Ackerman__的博客
12-22 3406
一些前提知识 Monocular Depth Estimation：单目深度估计，从单张图片中去预测每个像素点具体的深度，相当于从二维图像推测出三维空间。 ImageNet-Pretraining：基于ImageNet的预训练模型，ImageNet是一个带有标签的大数据集，其中有1,000个类别的图像。CV界常在进行下游任务之前，一般会在ImageNet上进行预训练，以学习到图像的语义信息，便于迁移学习。 optical flow：光流，用于研究图像对齐的算法，分为稀疏光流（一般选角点）和稠密光流。
代码学习 (3)（总结）： Unsupervised Monocular Depth Estimation with Left-Right Consistency
qq_43225437的博客
01-27 1168
代码学习笔记 Unsupervised Monocular Depth Estimation with Left-Right Consistency ：monodepth_mode.py 源码：monodepth 源作者网址：model_download 感谢在学习中参考的优秀博文 上图为整体的网络模型 1、在encoder 和 decoder的部分，作者用了 skip-connection 的...
pybrain学习教程（二）：创建数据集
Dillon2015的博客
02-10 2330
pybrain有自己的数据集格式，包含数据和标签，pybrain.dataset包里含有各种数据格式，对于监督学习SupervisedDataSet是其数据集格式 >>> from pybrain.datasets import SupervisedDataSet >>> ds = SupervisedDataSet(2, 1) 在初始化时需要指定其大小，2表示输入数据是2维的，1表示标签
半监督学习
热门推荐
mousever的专栏
05-28 3万+
 传统的机器学习技术分为两类，一类是无监督学习，一类是监督学习。 无监督学习只利用未标记的样本集，而监督学习则只利用标记的样本集进行学习。 但在很多实际问题中，只有少量的带有标记的数据，因为对数据进行标记的代价有时很高，比如在生物学中，对某种蛋白质的结构分析或者功能鉴定，可能会花上生物学家很多年的工作，而大量的未标记的数据却很容易得到。 这就促使能同时利用标记样本和未标记样
机器学习半监督学习
weixin_42456166的博客
07-06 1225
该方法利用带标签数据训练一个初始模型，然后使用该模型对未标记数据进行预测，并将置信度高的数据加入到标记数据中，然后重新训练模型，迭代这个过程直到模型收敛。最后，我们输出训练好的两个分类器的系数、新的标记数据集、新的标签数据和更新后的未标记数据集。该方法利用带标签数据训练一个初始模型，然后使用该模型对未标记数据进行预测，并将置信度高的数据加入到标记数据中，然后重新训练模型，迭代这个过程直到模型收敛。最后，我们输出训练好的模型系数、新的标记数据集、新的标签数据和更新后的未标记数据集。最后，我们返回预测标签。
3D人脸重建 (四) 实践
weixin_41386168的博客
12-23 2146
Registration: Registration establishes this correspondence for all points of the face. Use a modified version of the Optimal Step Nonrigid ICP Algorithm, which applied in the 3D domain on triangulated meshes. https://github.com/charlienash/nricp 计算机视..
机器学习核心术语解析：从监督到深度学习
半监督学习(Semi-supervised Learning)介于两者之间，利用有标签和无标签数据进行学习，特别适合资源有限时提升模型性能，尤其在标注数据稀缺的情况下。 强化学习(Reinforcement Learning)涉及智能体在环境中通过试...
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