监督专题
【机器学习】半监督学习可以实现什么功能？
目录 一、什么是机器学习二、半监督学习算法介绍三、半监督学习算法的应用场景四、半监督学习可以实现什么功能？ 一、什么是机器学习 机器学习是一种人工智能技术，它使计算机系统能够从数据中学习并做出预测或决策，而无需明确编程。它涉及到使用算法和统计模型来分析大量数据，识别其中的模式和关系，并利用这些信息来预测未来事件或做出决策。机器学习可以应用于各种领域，包括图像识别、自然语言
【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
机器学习(V)--无监督学习(六)流形学习
title: 机器学习(V)–无监督学习(二)流形学习 date: katex: true categories: Artificial IntelligenceMachine Learning tags:机器学习 cover: /img/ML-unsupervised-learning.png top_img: /img/artificial-intelligence.jpg abbrli
图解半监督学习FixMatch，只用10张标注图片训练CIFAR10
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 作者：amitness 编译：ronghuaiyang 导读 仅使用10张带有标签的图像，它在CIFAR-10上的中位精度为78％，最大精度为84％，来看看是怎么做到的。 深度学习在计算机视觉领域展示了非常有前途的结果。但是当将它应用于实际的医学成像等领域的时候，标签数据的缺乏是一个主要的挑战。 在实际环境中，对数据做标注是一个耗
使用SimCLR用对比预训练模型实现半监督图像分类的代码实现
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 因公众号更改了推送规则，记得读完点“在看”~下次AI公园的新文章就能及时出现在您的订阅列表中 作者：András Béres 编译：ronghuaiyang 导读 在STL-10数据集上用SimCLR先做对比训练，再进行少量标注数据的监督训练微调。 半监督学习 半监督学习是一种处理部分标记数据集的机器学习范式。当在现实世界中应用深
有监督对比学习的一个简单的例子
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 因公众号更改了推送规则，记得读完点“在看”~下次AI公园的新文章就能及时出现在您的订阅列表中 作者：Dimitre Oliveira 编译：ronghuaiyang 导读 使用有监督对比学习来进行木薯叶病害识别。 论文链接：https://arxiv.org/abs/2004.11362 监督对比学习(Prannay Khosl
吴恩达机器学习 第三课 week1 无监督机器学习（下）
目录 01 学习目标 02 异常检测算法 2.1 异常检测算法的概念 2.2 基于高斯模型的异常检测 03 利用异常检测算法检测网络服务器的故障 3.1 问题描述 3.2 算法实现 3.3 问题升级 04 总结 01 学习目标 （1）理解异常检测算法（Anomaly Detection Algorithm）的原理 （2）利用异常检测算法检测网络服务器的
ENVI实战—一文搞定监督分类
实验1：利用ROI建立样本训练集和验证集 目的：学会利用ROI建立计算机分类时的样本集 过程： ①导入影像：打开ENVI，选择“打开→打开为→光学传感器→ESA→Sentinel-2”，将Sentinel-2影像导入到ENVI平台中。 图1 ②建立ROI区域：选择ROI工具，在影像中寻找一个包含植被、水体、建筑和道路等主要地物的区域，绘制矩形，建立ROI区域。 图2 ③空间裁
吴恩达机器学习 第三课 week1 无监督学习算法（上）
目录 01 学习目标 02 无监督学习 03 K-means聚类算法 3.1 K-means聚类算法原理 3.2 k-means算法实现 3.3 利用k-means算法压缩图片 04 总结 01 学习目标 （1）了解无监督学习算法 （2）掌握K-means聚类算法实现步骤 （3）利用K-means聚类算法压缩图片 02 无监督学习 概念
【机器学习】---无监督学习
引言 在机器学习的广阔领域中，无监督学习扮演着至关重要的角色。不同于有监督学习，无监督学习处理的是没有标签的数据集，即我们不知道每个数据点的正确答案或分类。然而，这并不意味着无监督学习无法为我们提供有价值的信息。相反，它能够通过发现数据中的内在规律和结构，为我们揭示数据的深层含义。 无监督学习的核心概念 1. 聚类分析 聚类分析是无监督学习中最常用的技术之一。它的目标是将相似的数据点分
USAD: 多元时间序列的无监督异常检测
USAD: 多元时间序列的无监督异常检测 原创 小王搬运工 时序课堂 2024-06-20 10:43 四川 论文地址：https://dl.acm.org/doi/abs/10.1145/3394486.3403392 论文源码：https://github.com/manigalati/usad 期刊：KDD '20: Proceedings of the 26th ACM S
Contrmix:用于半监督医学图像分割的渐进式混合对比学习
paper:Contrmix: Progressive Mixed Contrastive Learning for Semi-Supervised Medical Image Segmentation | IEEE Conference Publication | IEEE Xplore 摘要:虽然医学图像分割已经取得了令人印象深刻的进展，但它通常受到劳动密集型和昂贵的像素级注释的限制。现有的
【机器学习】机器学习重要方法——无监督学习：理论、算法与实践
文章目录 引言第一章 无监督学习的基本概念1.1 什么是无监督学习1.2 无监督学习的主要任务 第二章 无监督学习的核心算法2.1 聚类算法2.1.1 K均值聚类2.1.2 层次聚类2.1.3 DBSCAN聚类 2.2 降维算法2.2.1 主成分分析（PCA）2.2.2 t-SNE 2.3 异常检测算法2.3.1 孤立森林2.3.2 局部异常因子（LOF） 第三章 无监督学习的应用实例3.
机器学习笔记——无监督学习下的k均值聚类
k均值聚类算法原理 目标是将样本分类 原理：首先随机选择k何点作为中心，然后计算每一个点到中心的聚类，然后计算到每个中心的距离，选择到中心最短距离的那个中心所在的类进行归类，然后更新中心点，一直重复。 主成分分析分析的原理 主要是实现降为，选择重要的成分 贝叶斯网络 由依赖关系构成的有向图，称为贝叶斯网络。也叫信念网络 尾对尾 头对头 头对尾 朴素贝叶斯 贝叶斯公式何贝
机器学习(V)--无监督学习(一)聚类
根据训练样本中是否包含标签信息，机器学习可以分为监督学习和无监督学习。聚类算法是典型的无监督学习，目的是想将那些相似的样本尽可能聚在一起，不相似的样本尽可能分开。 相似度或距离 聚类的核心概念是相似度(similarity)或距离(distance)，常用的距离有以下几种： 闵可夫斯基距离（Minkowski distance） d ( x , y ) = ( ∑ i = 1 m ∣
机器学习(V)--无监督学习(二)主成分分析
当数据的维度很高时，很多机器学习问题变得相当困难，这种现象被称为维度灾难（curse of dimensionality）。 在很多实际的问题中，虽然训练数据是高维的，但是与学习任务相关也许仅仅是其中的一个低维子空间，也称为一个低维嵌入，例如：数据属性中存在噪声属性、相似属性或冗余属性等，对高维数据进行降维（dimension reduction）能在一定程度上达到提炼低维优质属性或降噪的效果。
半监督学习简单综述（标签化过程）
20210117 - 0. 引言 （本篇文章算是自己阅读《An overview of proxy-label approaches for semi-supervised learning》过程中的记录，将其中的观点记录下来；其中的内容，可能并非原文中的内容，而是自己的思考；读者如果有兴趣，最好是阅读原文，更好体会作者的意思） 无监督的相对于有监督的方法来说，准确率不尽人意，甚至于在某些场
自监督分类网络：创新的端到端学习方法
现代人工智能的快速发展中，分类任务的高效解决方案一直备受关注。今天，我们向大家介绍一种名为Self-Classifier的全新自监督端到端分类学习方法。由Elad Amrani、Leonid Karlinsky和Alex Bronstein团队开发，Self-Classifier通过优化同一样本的两个增强视图的同类预测，能够在单阶段的端到端过程中同时学习标签和表示。 为了避免出现所有标签都被错误
基于深度图像的无监督目标跟踪
概要 大致的步骤 深度图像获取：通过深度传感器（例如ToF相机、双目相机等）获取场景的深度图像。深度图转scanscan转pointcloud点云聚类卡尔曼滤波预测匈牙利算法匹配目标ID更新 深度图转scan 参考这篇博客 scan转pointcloud
zero shot,few shot以及无监督学习之间的关系是什么
Zero-shot learning、few-shot learning和无监督学习都是机器学习中的方法，它们共同的特点是在有限或没有标签数据的情况下进行学习。下面是这三种方法之间的关系和区别： Zero-shot Learning (零样本学习)： 零样本学习是在模型训练过程中完全没有见过任何标签数据的类别的情况下，让模型能够识别新类别的方法。这通常通过利用类别之间的关系或属性来实现。例如，
李宏毅《机器学习》课程笔记（作业九：无监督学习）
Kmeans方法，先初始化K个中心，每次都把每个元素归类到最近的类，再更新中心，再更新分类。 HAC的方法，有点类似，把最近的pair取平均作为新的data，然后搞成一个树，再在树上切一刀来分类，好处是不需要先决定K。 PCA有了新的的理解，其实是贪心地找使得variance最大的那个w，之后通过这些w的线性组合就可以了。PCA也是个降维的方法，他能够使得复原出的向量跟输入的向量最接近。其实相
探索重要的无监督学习方法：K-means 聚类模型
在数据科学和机器学习领域，聚类分析是一种重要的无监督学习方法，用于将数据集中的对象分成多个组（簇），使得同一簇中的对象相似度较高，而不同簇中的对象相似度较低。K-means 聚类是最广泛使用的聚类算法之一，它以其简单、快速和易于理解的特点受到了广泛关注。本文将深入探讨 K-means 聚类模型的原理、算法步骤、应用场景、优缺点以及改进方法，帮助读者全面理解并有效应用这一重要的聚类方法。 1. K
基于OpenVINO实现无监督异常检测
异常检测(AD) 在欺诈检测、网络安全和医疗诊断等关键任务应用中至关重要。由于数据的高维性和底层模式的复杂性，图像、视频和卫星图像等视觉数据中的异常检测尤其具有挑战性。然而，视觉异常检测对于检测制造中的缺陷、识别监控录像中的可疑活动以及检测医学图像中的异常至关重要。 在本文中，您将学习如何使用OpenVINO 工具包中的FiftyOne和Anomalib对视觉数据执行异常检测。为
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-