意味着老师是更好的榜样 ---- ---- ---- 作者：Harti Valpola（）Antti Tarvainen 方法 平均老师是半监督学习的一种简单方法。 它包括以下步骤： 采用受监管的体系结构并复制它。 让我们将原始模型称为学生，将新模型称为老师。 在每个训练步骤中，将相同的小批量用作学生和老师的输入，但分别向输入添加随机增强或噪声。 在softmax之后，在学生和教师的输出之间增加额外的一致性成本。 让优化器正常更新学生权重。 让教师权重为学生权重的指数移动平均值（EMA）。 也就是说，在每个训练步骤之后，将教师的权重向学生的权重稍作更新。 我们的贡献是最后一步。 莱

LNL增强 带有噪声标签的学习的增强策略代码（CVPR 2021）。 ： *， *， ， [ * ：] 抽象的不完美的标签在现实世界的数据集中无处不在。 训练对标签噪声具有鲁棒性的训练深度神经网络（DNN）的几种最新成功方法已经使用了两种主要技术：基于在预热阶段的损失来过滤样本以整理一组干净标签的样本，以及使用网络的输出作为后续损失计算的伪标签。 在本文中，我们评估了用于解决“带有噪声标签的学习”问题的算法的不同扩充策略。 我们提出并研究了多种扩充策略，并使用基于CIFAR-10和CIFAR-100的合成数据集以及真实数据集Clothing1M对其进行了评估。 由于这些算法的几种共通性，我们发现使用一组扩充进行损失建模任务而使用另一组扩充进行学习是最有效的，可以改进最新技术和其他先前方法的结果。 此外，我们发现在预热期间应用扩增可能会对正确标记和错误标记的样本的损失收敛行为产

While labeled data is expensive to prepare, ever increasing amounts of unlabeled data is becoming widely available. In order to adapt to this phenomenon, several semi-supervised learning (SSL) algorithms, which learn from labeled as well as unlabeled data, have been developed. In a separate line of work, researchers have started to realize that graphs provide a natural way to represent data in a variety of domains. Graph-based SSL algorithms, which bring together these two lines of work, have been shown to outperform the state-of-the-art in many applications in speech processing, computer vision, natural language processing, and other areas of Artificial Intelligence. Recognizing this promising and emerging area of research, this synthesis lecture focuses on graphbased SSL algorithms (e.g., label propagation methods). Our hope is that after reading this book, the reader will walk away with the following: (1) an in-depth knowledge of the current stateof- the-art in graph-based SSL algorithms, and the ability to implement them; (2) the ability to decide on the suitability of graph-based SSL methods for a problem; and (3) familiarity with different applications where graph-based SSL methods have been successfully applied.

基于 OpenCV 和 KNN 的睡意驾驶检测系统 ：在这个存储库中，开发了一个程序来根据实时摄像头图像和图像处理技术识别驾驶员的困倦情况，该程序在检测到困倦驾驶时会针对每个困倦程度发出警告警报。 ：基于实时视频和图像处理技术，我们开发了一种程序，可以判断驾驶员的困倦状态，并在驾驶员困倦时根据特定级别发出警告警报。 实时视觉系统实现了驾驶员人脸和眼睛检测方法、通过去除光照影响去除假眼检测方法、睡意检测方法和使用监督学习算法的睡意阶段确定方法。 描述 ：在实时视觉系统的基础上，增加了驾驶员的面部和眼睛检测技术，并去除了由于眼睛检测误报引起的照明效果、困倦检测技术和监督学习算法来识别困倦程度。 Histogram of Oriented Gradients 技术和学习到的 Face Landmark 估计技术被用于检测人脸和眼睛。 为了消除光照的影响，将原始图像的光通道进行分离和反转，然

A deeply supervised image fusion network for change detection in high resolution bi-temporal remote sensing images 深度监督影像融合网络DSIFN用于高分辨率双时相遥感影像变化检测 Official implement of the Paper：A deeply supervised image fusion network for change detection in high resolution bi-temporal remote sensing images. If you find this work helps in your research, please consider citing: 论文《A deeply supervised image fusio

感性 该存储库包含以下论文的PyTorch实现：GANomaly：通过对抗训练进行半监督异常检测 1.目录 2.安装 首先克隆存储库 git clone https://github.com/samet-akcay/ganomaly.git 通过conda创建虚拟环境 conda create -n ganomaly python=3.7 激活虚拟环境。 conda activate ganomaly 安装依赖项。 conda install -c intel mkl_fft pip install --user --requirement requirements.txt 3.实验 要在纸上为MNIST和CIFAR10数据集复制结果，请运行以下命令： # MNIST sh experiments/run_mnist.sh # CIFAR sh experiments/run

A supervised gradient-based learning algorithm for optimized.pdf

使用生成式对抗学习的3D医学图像分割很少 该存储库包含我们在同名论文中提出的模型的tensorflow和pytorch实现： 该代码在tensorflow和pytorch中都可用。 要运行该项目，请参考各个自述文件。 数据集 选择了数据集来证实我们提出的方法。 它包含10个标记的训练对象和13个未标记的测试对象的3D多模式脑MRI数据。 我们将这10个标记的训练数据分为两个模型的训练，验证和测试图像。（例如，2,1和7）13个未标记的测试图像中的其余部分仅用于训练基于GAN的模型。 数据集也用于测试我们提出的模型的鲁棒性。 它包含3种模式（T1加权，T1加权反转恢复和FLAIR）。 原始数据

像素级对比学习 在Pytorch的论文提出了像素级对比学习的实现。 除了在像素级别进行对比学习之外，在线网络还将像素级别表示形式传递给像素传播模块，并向目标网络施加相似度损失。 他们在细分任务中击败了所有以前的非监督和监督方法。 安装 $ pip install pixel-level-contrastive-learning 用法 下面是一个示例，说明了如何使用该框架进行Resnet的自我监督训练，并获取第4层（8 x 8个“像素”）的输出。 import torch from pixel_level_contrastive_learning import PixelCL from torchvision import models from tqdm import tqdm resnet = models . resnet50 ( pretrained = True ) learn

超级GBM | 我们正在招聘！ 亲爱的朋友们，我们正在北京为热衷于 AutoML/NAS 的专业人士和实习生开设几个宝贵的职位，请将您的简历/简历发送至 。 （申请截止日期：待定。） 什么是 HyperGBM HyperGBM是一个支持全流水线AutoML的库，完全涵盖了数据清洗、预处理、特征生成和选择、模型选择和超参数优化的端到端阶段，是真正的表格数据AutoML工具。 概述 与大多数专注于解决机器学习算法超参数优化问题的 AutoML 方法不同，HyperGBM 可以将从数据清理到算法选择的整个过程放在一个搜索空间中进行优化。 端到端管道优化更像是一个顺序决策过程，因此 HyperGBM 使用强化学习、蒙特卡洛树搜索、进化算法结合元学习器来有效解决此类问题。 顾名思义，HyperGBM中使用的ML算法都是GBM模型，更准确的说是梯度提升树模型，目前包括XGBoost、Light