Class-mismatched semi-supervised learning from a new perspective

doi:10.1016/j.patcog.2025.112562

2025-10-08

PRE

DOI：10.1016/j.patcog.2025.112562

原文链接

原文求助

摘要

En 中文

• 我们提出一个新的标准，命名为magnitude-discrepancy (MD)，用于自主估计安全参数的比例，无需先验知识。 • 我们提出了新颖的Layerwise Magnitude and Parameter Sparsity (LMPS)分数，该分数通过同时考虑逐层稀疏度和幅度来确定安全参数。 • 我们提出了一种通过ReLU操作和温和状态分配增强的软掩码（ASK）策略，以在安全参数增强过程中提高安全参数的可靠性。 • 我们在标准图像分类、细粒度分类和领域外检测任务上的实验结果表明，ASPL显著优于现有的最先进方法。这凸显了我们方法的应用广泛性和有效性。

期刊

Pattern Recognition

IF:

7.6

论文数:

1.3W

被引数:

4.5W

机构

deep red future technology

学者数:

论文数: 1

被引数: 0

Nanyang Technological University

学者数:

4.9W

论文数: 4.8W

被引数: 8.1W

shandong jianzhu university

学者数:

4.3K

论文数: 3.1K

被引数: 3

shandong university

学者数:

9.5W

论文数: 6.4W

被引数: 94

查看更多机构

引用论文

ImageNet Large Scale Visual Recognition Challenge ImageNet大规模视觉识别挑战

INTERNATIONAL JOURNAL OF COMPUTER VISION

IF9.3

2015-04-11

2.7W

PREAI

Russakovsky, Olga; Deng, Jia; Su, Hao; Krause, Jonathan; Satheesh, Sanjeev; Ma, Sean; Huang, Zhiheng; Karpathy, Andrej; Khosla, Aditya; Bernstein, Michael; Berg, Alexander C.; Fei-Fei, Li

View-coherent correlation consistency for semi-supervised semantic segmentation 用于半监督语义分割的视图相干相关一致性

PATTERN RECOGNITION

IF7.6

2024-03-01