重新思考半监督地标检测的自我训练:一种无选择的方法
概括
本研究介绍了地标检测自我训练 (STLD),这是一种克服地标检测自我训练局限性的新方法. STLD有效地使用任务课程处理确认偏差,改善半监督和全监督环境中的模型性能.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 自我训练是一种半监督的学习技术,伪标签对于管理确认偏见至关重要.
- 现有的自我训练方法由于伪标签中的数据偏差,值选择的困难以及来自坐标回归的信心得分的缺乏,在地标检测方面扎.
研究的目的:
- 为地标检测提出一种新的自我训练方法,解决现有方法的局限性.
- 开发一种不依赖于明确伪标签选择的方法,减轻数据偏差和噪音标签等问题.
主要方法:
- 引入了地标检测自主训练 (STLD),一种使用任务课程来管理确认偏差的方法.
- 利用伪预训练来实现更好的模型初始化和缩小回归,以在后阶段从粗到细的伪标签杆化.
主要成果:
- 在面部和医疗里程碑检测基准中,STLD在现有方法上表现出一致的优势.
- 拟议的方法在半监督和全监督学习场景中都被证明是有效的.
结论:
- 通过有效处理确认偏差而没有明确的伪标签选择,STLD为地标检测提供了强大的解决方案.
- 任务课程方法,结合伪预训练和缩小回归,显著提高了在半监督地标检测中的模型性能.
更多相关视频
08:25Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
Published on: May 7, 2019
8.9K
10:23Author Spotlight: Three-Dimensional Cephalometric Landmark Annotation Demonstration on Human Cone Beam Computed Tomography Scans
Published on: September 8, 2023
2.7K
