无监督/半监督/对比学习
浅聊对比学习（Contrastive Learning）-极市开发者社区
实验证明对比学习需要比有监督学习需要更强的data agumentation. 实验证明无监督对比学习会在更大的模型上受益 ... 提出了一个基于对比学习半监督学习框架， ...
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集 - 专知
自监督学习(Self-Supervised Learning)是一种介于无监督和监督学习之间的一种新范式，旨在减少对大量带注释数据的挑战性需求。它通过定义无注释(annotation-free)的前置 ...
文献阅读-有监督的对比学习Supervised Contrastive Learning提高图像分类效果 · 有监督学习、无监督学习、半监督学习和强化学习的区别 · 有监督对比学习Supervised ...
MetaCL：通过对比学习的半监督元学习架构 - X-MOL
MetaCL 将样本片段的扭曲版本分别作为输入和输出预测。此外，我们引入了无监督损失来最小化组件冗余并最大化可变性，实现软白化和软对齐约束。我们在图像 ...
WCL旨在解决现有对比学习框架中的类冲突问题，并在不同的数据集上提高了自监督表示品质，尤其是在半监督学习中达到了新的最优结果。
基于双重空间对比学习的开放世界半监督图像分类方法 - Google Patents
本发明提供的方法提升了网络模型对于无标签数据的表征能力，从而提升对于无标签数据的标记准确率。
但是真实情况是，很多任务很难有大量标注的数据。SSL目标就是从无标注数据获取标注，并用他们来训练，在NLP中，我们随机mask掉部分文本，让模型去做 ...
IJCV 2024 | 基于概率表征的半监督对比学习框架- TechBeat
围绕无约束视觉感知理解共发表CCF-A类论文32篇，以第一/通讯作者在T-PAMI、CVPR等国际权威期刊和会议上发表论文31篇，含一作T-PAMI×2（IF: 24.314）、IJCV×3（ ...
在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域, 主要分为：监督学习，非监督学习，半监督学习和强化学习。监督学习主要用于 ...
对比学习Contrastive Learning - 超神经
在半监督学习中，使用少量标记数据和大量未标记数据来训练深度模型。在无监督学习中，模型试图在没有任何数据标签的情况下理解非结构化数据。 自我监督学习（SSL）的 ...
论文阅读_对比学习_SimCLR - Yan 的杂物志_个人主页分享
众所周知，有监督学习相比于无监督学习和半监督学习速度更快，效果更好，但也存在一些问题，比如难以泛化解决其它问题，需要高成本的标注等等． 对比 ...
自监督学习综述| Self-supervised Learning: Generative or Contrastive
人们常常困惑无监督学习和自监督学习。自监督学习可以看作是无监督 ... 自监督的对比预训练和半监督的自训练相结合的成功，为未来的数据有效深度 ...
自监督学习（Self-Supervised Learning）是一种无监督学习的子领域，它是一种特殊的学习方法，通过从输入数据中生成辅助标签或任务来进行模型训练。半监督 ...
“半监督”、“自监督”怎么用？| 算法深度剖析与实战分享 - InfoQ 写作社区
... 无标签数据进行计算，因此属于半监督学习算法。 本文在此重点介绍 ... 自监督学习中的对比学习(Contrastive Learning)，和半监督学习中的一致性 ...
SimCLR v2：大型自监督模型是强大的半监督学习者 · 对比学习前沿进展及 ... 对比学习是一种自监督学习方法，用于在没有标签的情况下，通过让模型学习哪些数据 ...
DeepMind | 面向更好对比性表示的伪标签预测 - 智源社区
面向更好对比性表示的伪标签预测；结合标记和无标记的数据来学习信息性表示，提出一种新的半监督学习方法Semantic Positives via Pseudo-Labels ...
自监督学习与监督学习和无监督学习的区别是什么 - Worktile
在实际应用中，半监督学习与监督学习、无监督学习和自监督学习等其他学习 ... 对比的客户管理CRM系统包括：纷享销客、Zoho CRM、销售易、用友CRM ...
SimCLUE：3000000+中文语义理解与匹配数据集 - GitHub
可用于无监督对比学习、半监督学习、Prompt Learning等构建中文领域效果最好的预训练模型。 整合了中文领域绝大多数可用的开源的语义相似度和自然语言推理的数据集，并 ...
TMI 2023：对比半监督学习的领域适应（跨相似解剖结构）分割
由于teacher 的参数是student 网络参数的moving Average，因此要求不管什么样本预测标签都不应该有太大的抖动，类似于对标签做了平滑，保证其输出结果更具有稳定性，无标签数据 ...
一文梳理无监督对比学习（MoCo/SimCLR/SwAV/BYOL/SimSiam）
首先再简要说下对比学习的基本原理，先从无监督表示学习讲起。表示 ... 半部分为target（不更新梯度）。BYOL的优化目的是用online表示预测target ...