主题: The Illustrated FixMatch for Semi-Supervised Learning

摘要: 在计算机视觉领域,深度学习已经显示出非常有希望的结果。但在医学成像等实际应用领域中,缺乏标记数据是一个重大挑战。在实际环境中,标记数据是一个耗时且昂贵的过程。尽管,您有很多图像,但由于资源限制,只能标记其中的一小部分。在这种情况下,我们如何利用剩余的未标记图像和标记图像来提高模型的性能?答案是半监督学习。FixMatch是Sohn等人最近提出的一种半监督方法。来自Google Brain,它改进了半监督学习(SSL)的最新技术。它是以前方法(如UDA和ReMixMatch)的简单组合。在这篇文章中,我们将了解FixMatch的概念,并看到它在CIFAR-10上仅用10幅图像就获得了78%的准确率。

成为VIP会员查看完整内容
25

相关内容

计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【Google】监督对比学习,Supervised Contrastive Learning
专知会员服务
72+阅读 · 2020年4月24日
超强半监督学习 MixMatch
极市平台
8+阅读 · 2019年5月22日
【泡泡一分钟】无监督学习的立体匹配方法(ICCV-2017)
泡泡机器人SLAM
8+阅读 · 2018年10月9日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
该如何对「半监督学习算法」实际性应用进行评估?
炼数成金订阅号
7+阅读 · 2018年4月27日
Deep Co-Training for Semi-Supervised Image Segmentation
Arxiv
10+阅读 · 2017年12月29日
VIP会员
相关VIP内容
【Google】监督对比学习,Supervised Contrastive Learning
专知会员服务
72+阅读 · 2020年4月24日
微信扫码咨询专知VIP会员