1、DLDL
2、MLIC-WCP
3、MLIR-GCN
基于图卷积网络的多标签图像识别
旷视科技
https://github.com/nightluo/MLIR-GCN
基于图卷积网络的半监督分类
阿姆斯特丹大学
GCN 开山之作
可扩展的半监督学习方法
基于图上谱卷积的一阶近似
有效应对半监督,并编码图结构和节点特征
https://github.com/nightluo/GCN-py
4、C-Tran
5、ACPL
ACPL:用于半监督医学图像分类的反课程伪标记
澳大利亚机器学习研究所,阿德莱德大学,德国乌尔姆第二大学
反课程伪标签的 SSL 方法
新的伪标记方法 CSDI —— 不需要估计类分类阈值
IM 集合 KNN 分类器,生成更准确的伪标签
ASP 方法保持密度评分在后续训练阶段的准确性
https://github.com/FBLADL/ACPL
什么时候实施课程学习
谷歌
课程学习
新的训练策略,加速收敛至局部 and 全局最优解
课程网络:基于大规模网络图像的弱监督学习
深圳 Malong 人工智能研究中心
以无监督的方式使用分布密度对数据复杂性进行排序
通过利用课程学习来制定学习策略以有效处理大量噪声标签和数据不均衡问题
利用高噪声标签来提高标准深度网络的模型泛化和整体能力
6、GML
全局满足局部:基于类别感知弱监督的有效多标签图像分类
腾讯优图实验室
CVPR2022
一种用于目标检测的双加权标签分配方案
香港理工大学
双加权的自适应标签分配方案,打破耦合加权的惯例,从不同方面估计一致性和不一致性度量,为每个锚点动态分配单独的正负权重,训练精确的密集目标检测器
新的方框细化操作——直接细化回归图上的方框
但是,会减少训练样本的数量,影响对 small objects 的训练效果
ACPL:用于半监督医学图像分类的反课程伪标记
澳大利亚机器学习研究所,阿德莱德大学,德国乌尔姆第二大学
反课程伪标签的 SSL 方法
新的伪标记方法 CSDI —— 不需要估计类分类阈值
IM 集合 KNN 分类器,生成更准确的伪标签
ASP 方法保持密度评分在后续训练阶段的准确性
https://github.com/FBLADL/ACPL
语义分割中注意力视点转移的自动密集标记
斯坦福、谷歌
将视图转换网络视为(彩色图像隐含的未知映射的)函数表示(a functional representation of an unknown mapping implied by the color images)
提出函数标签幻觉法(functional label hallucination)(在目标域中生成具有不确定性的伪标签&#