supervised专题

【Deep Learning】Self-Supervised Learning：自监督学习

自监督学习本文基于清华大学《深度学习》第12节《Beyond Supervised Learning》的内容撰写，既是课堂笔记，亦是作者的一些理解。在深度学习领域，传统的监督学习(Supervised Learning)的形式是给你输入 x x x和标签 y y y，你需要训练一个基于参数 θ \theta θ的神经网络 f θ ( x ) f_\theta(x) fθ(x)使其能

CVPR2023论文速览自监督Self-Supervised相关38篇

Paper1 Self-Supervised Video Forensics by Audio-Visual Anomaly Detection 摘要原文: Manipulated videos often contain subtle inconsistencies between their visual and audio signals. We propose a video foren

G7 - Semi-Supervised GAN 理论与实战

🍨 本文为🔗365天深度学习训练营中的学习记录博客🍖 原作者：K同学啊目录理论知识模型实现引用、配置参数初始化权重定义算法模型模型配置模型训练训练模型模型效果总结与心得体会理论知识在条件GAN中，判别器只用来判断图像的真和假，到了条件GAN中，图像本身其实是有标签的，这时候我们可能会想，为什么不直接让判别器输出图像的标签呢？本节要探究的SGAN就

【论文总结】weakly- and semi-supervised learning of a DCNN for semantic Image Segmentation

一、概述这篇文章研究了如何从弱注释的训练数据（如边界框或图像级标签）或少量强标记图像和许多弱标记图像的组合中学习DCNN用于语义图像分割的问题，在弱超监督和半监督条件下提出了期望最大化（EM）方法。代码：https://bitbucket.org/deeplab/deeplab-public（caffe框架）二、研究内容及方法文章将焦点放在用弱标签训练调参上

Self Supervised Learning部分相关论文简介（上）

Self Supervised Learning部分相关论文简介（上）摘要：自监督论文阅读#1 "Context Encoders: Feature Learning by Inpainting" [CVPR 2016]#2 Multi-task Self-Supervised Visual Learning [2017]#3 Unsupervised Visual Representat

内涵：半监督学习之Temporal Ensembling For Semi-supervised Learning

一、引言这篇文章是ICLR2017的一篇文章，是半监督学习领域的一篇经典文章，以这篇文章作为进入半监督学习的一个切入点。在这篇文章中，作者的将其工作描述为self-ensembling，而具体来讲有两点：1. Π model 2. temporal ensembling。 We describe two ways to implement self-ensembling, Π-

Datacamp 笔记代码 Supervised Learning with scikit-learn 第四章 Preprocessing and pipelines

更多原始数据文档和JupyterNotebook Github: https://github.com/JinnyR/Datacamp_DataScienceTrack_Python Datacamp track: Data Scientist with Python - Course 21 (4) Exercise Exploring categorical features The G

SiT : Self-supervised vision Transformer

从NLP Transformer中借鉴而来的视觉 Transformer 在使用大规模监督数据或某种形式的协同监督（例如教师网络）进行预训练时已被证明是有效的。这些经过监督预训练的视觉Transformer在下游任务中通过最小的改动就能取得出色的结果。随着监督预训练（SP）和自监督预训练（SSP）在下游应用（如分类、定位、分割等）之间的性能差距逐渐缩小，自监督学习（SSL）在计算机视觉领域正逐

论文解读之A General-Purpose Self-Supervised Model for Computational Pathology

一、前言目前，有很多无知者认为计算机在疾病诊断上超过了人类，他们的理解是计算机在美丽国的某个什么医师测评上得分超过了人类。这比较可笑和无知。笔者认为：病理图像的病症复杂、种类繁多，同时数据集很少并且标注极为困难。故而，能用于训练的高质量数据很少，并且模型的可解释性还不足。因此，AI在疾病诊断上的表现想要接近和超过人类专家还很遥远。故而目前火热的名词只是辅助诊断，并不是AI诊断。本次

Llama模型家族之使用 Supervised Fine-Tuning（SFT）微调预训练Llama 3 语言模型（十）使用 LoRA 微调常见问题答疑

LlaMA 3 系列博客基于 LlaMA 3 + LangGraph 在windows本地部署大模型（一）基于 LlaMA 3 + LangGraph 在windows本地部署大模型（二）基于 LlaMA 3 + LangGraph 在windows本地部署大模型（三）基于 LlaMA 3 + LangGraph 在windows本地部署大模型（四）基于 LlaMA 3

Llama模型家族之使用 Supervised Fine-Tuning（SFT）微调预训练Llama 3 语言模型（一） LLaMA-Factory简介

LlaMA 3 系列博客基于 LlaMA 3 + LangGraph 在windows本地部署大模型（一）基于 LlaMA 3 + LangGraph 在windows本地部署大模型（二）基于 LlaMA 3 + LangGraph 在windows本地部署大模型（三）基于 LlaMA 3 + LangGraph 在windows本地部署大模型（四）基于 LlaMA 3

TNNLS:Fast Self-Supervised Clustering With Anchor Graph论文阅读

1 Abstract 由于避免了使用通常在现实世界中不足的标记样本，无监督学习被视为在聚类任务中的快速和强大策略。然而，直接从原始数据集进行聚类会导致高计算成本，这限制了其在大规模和高维问题上的应用。最近，基于锚点的理论被提出来部分缓解这个问题，并自然地稀疏化了亲和力矩阵，但仍然存在挑战，即在保持高效性的同时获得出色的性能。为了解决这个问题，我们首先提出了一个快速的半监督框架（FSSF），结合了

19-Self-supervised-Visual-Feature-Learning-with-Deep-Neural-Networks-A-Survey

who Longlong Jing and Yingli Tian ∗ , Fellow, IEEE2019- what 为了避免收集和注释大规模数据集的大量成本，作为无监督学习方法的子集，提出了自我监督学习方法，以从大规模未标记数据中学习一般图像和视频特征，而无需使用任何人工标注的标签。一些术语 1. Pseudo label: 伪标签是基于pretext tasks的数据属性

Revisiting-Dilated-Convolution-A-Simple-Approach-for-Weakly-and-Semi-Supervised

when 魏云超组的18年cvpr spot who 弱监督语义分割问题的新方法，用扩张卷积得到注意力图，可能能够在GAIN的大框架上面修改 why 提出尽管弱监督分割方法取得了显着的进步，但仍然不如全监督的方法。我们认为性能差距主要来自他们学习从图像级监督产生高质量密集对象定位图的限制。为了弥补这种差距，我们重新审视了空洞卷积[1]并揭示了如何以一种新颖的方式利用它来有效地克服弱

18-Weakly-Supervised-Semantic-Segmentation-Network-with-Deep-Seeded-Region-Growing

when cvpr18 what 本文研究了仅使用图像级标签作为监督来学习图像语义分割网络的问题，这一点很重要，因为它可以显着减少人类的标注工作。最近关于该问题的最新方法首先使用深度分类网络推断每个对象类的稀疏和鉴别区域，然后使用鉴别区域作为监督来训练语义分割网络。在种子区域扩展的传统图像分割方法的启发下，我们提出从鉴别区域开始训练语义分割网络，逐步增加种子区域扩展的像素级监督。种子区域扩

18-Weakly-Supervised-Semantic-Segmentation-by Iteratively-Mining-Common-Object-Features

when CVPR 2018 who（影响了谁）图像标签监督下的弱监督语义分割是一项具有挑战性的任务，因为它直接将高级语义与低级别外观相关联。为了弥合这一差距，在本文中，我们提出了一个迭代的自下而上和自上而下的框架，它可以扩展对象区域并优化分割网络。 why(为什么提出) 弱监督的语义分割非常具有挑战性，因为它直接将高级语义与低级别外观相关联。由于只有图像标签可用，因此大多数先前

17-WILDCAT-Weakly-Supervised-Learning-of-DeepConvNets

who(对谁有效) 弱监督图像语义分割 where 只有图像级标签的数据 when CVPR 2017 what（WILDCAT是什么）这篇论文提出了一个框架，可以使用弱监督的方法识别一个物体显著的局部特征。首先我们来直观感受下结果，如下图所示，WILDCAT可以识别狗的头部和腿部信息，从而利用这些信息来对狗进行Localization和segmentation. 结

深度学习中的黑科技：自监督学习（Self-Supervised Learning）

在人工智能领域，深度学习已成为推动技术革新的核心力量。然而，深度学习的一个重要瓶颈是对大量标记数据的依赖性。在这个背景下，自监督学习(Self-Supervised Learning, SSL)作为一种新兴的学习范式，越来越受到研究者的关注。自监督学习能够利用未标记的数据学习到有用的特征表示，这一潜力巨大的领域正在开启机器学习的新篇章。一、什么是自监督学习？自监督学习是一种机器学习框架，旨

论文阅读 Adaptive Consistency Regularization for Semi-Supervised Transfer Learning

Adaptive Consistency Regularization for Semi-Supervised Transfer Learning 论文题目：自适应一致性正则化方法用于半监督迁移学习作者单位：百度大数据研究院作者：Abulikemu Abuduweili 代码地址：https://github.com/SHI-Labs/Semi-Supervised-Transfer-Lea

论文阅读笔记：A brief introduction to weakly supervised learning

论文：A brief introduction to weakly supervised learning / 对弱监督学习的简要介绍作者：Zhi-Hua Zhou / 周志华发表刊物：National Science Review 发表年度：2018 下载地址：https://academic.oup.com/nsr/article/5/1/44/4093912 Abstract / 摘要

Weakly Supervised Audio-Visual Violence Detection 论文阅读

Weakly Supervised Audio-Visual Violence Detection 论文阅读摘要III. METHODOLOGYA. Multimodal FusionB. Relation Modeling ModuleC. Training and Inference IV. EXPERIMENTSV. CONCLUSION阅读总结文章信息：发表于：

Deconstructing Denoising Diffusion Models for Self-Supervised Learning解读（超详细）

论文题目：Deconstructing Denoising Diffusion Models for Self-Supervised Learning 原文链接：https://arxiv.org/html/2401.14404v1 本文是对何凯明老师的新作进行的详细解读，其中穿插了一些思考，将从以下四个方面对这篇工作进行一个详细的介绍：对早期工作的概括 AE 为了更加清楚全面的介

[Semi-笔记]Switching Temporary Teachers for Semi-Supervised Semantic Segmentation

目录概要创新一：Dual Temporary Teacher挑战：解决：创新二：Implicit Consistency Learning（隐式一致性学习）挑战：解决：实验结果小结论文地址代码地址分享一篇2023年NeurIPS的文章。概要半监督语义分割中流行的师生框架，主要采用指数移动平均（EMA）来更新单个教师的权重。然而，EMA 更新提出了一个问题，即教师和

$读《A survey on semi-supervised learning》（一）$