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

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

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

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

对抗学习的半监督语义分割 此回购是以下论文的pytorch实现： ，，刘彦婷，， 英国机器视觉会议（BMVC）的会议记录，2018年。 联系人︰洪志智（whung8 at ucmerced dot edu） 该代码是从pytorch DeepLab实现（ ）大量借用的。 基线模型是DeepLabv2-Resnet101，没有进行多尺度培训和CRF后处理，在VOC2012验证集上的平均IOU为73.6% 。 如果发现对您的研究有用，请引用我们的论文。 @inproceedings{Hung_semiseg_2018, author = {W.-C. Hung and Y.-H. Tsai and Y.-T. Liou and Y.-Y. Lin and M.-H. Yang}, booktitle = {Proceedings of the British Machine

半监督学习以改善肺癌的检测 使用生成模型和半监督学习促进肺癌检测 用于训练的数据集 LUNA16数据集（ ） Kaggle数据科学碗2017（ ） 建筑学 结果 结节检测器结果 发电机结果 分类器结果 方法 准确性 监督学习 64％ 半监督学习 87.3％ 资源 Kaggle数据科学碗2017内核 Luna2016-肺结节检测 Tensorflow中的半监督学习GAN [链接] DSB2017 [链接] Keras-GAN [链接] 使用很少的数据构建强大的图像分类模型[link] 贡献者： Dhamodhran（ @ svella9 ） 悉达思R科蒂（ siddharthkoti ） 维杰·蒙达拉吉（ Vijay-Mundaragi ）

医学图像分割的半监督学习。 近来，半监督图像分割已成为医学图像计算中的热门话题，不幸的是，由于隐私策略等原因，只有少数开源代码和数据集。为了便于评估和公平比较，我们正在尝试建立一个半监督医学图像分割基准，以促进医学影像计算社区中的半监督学习研究。如果您有兴趣，可以随时将实现或想法推送到此存储库。 该项目最初是为我们以前的工作开发的，如果您发现对您的研究有用，请考虑引用以下内容： @article{luo2020urpc, title={Efficient Semi-supervised Gross Target Volume of Nasopharyngeal Carcinoma Segmentation via Uncertainty Rectified Pyramid Consistency}, author={Luo, Xiangde and Liao, Wen

双任务一致性 本文的代码：通过双任务一致性进行半监督医学图像分割（ ） @article{luo2021semi, title={Semi-Supervised Medical Image Segmentation through Dual-task Consistency}, author={Luo, Xiangde and Chen, Jieneng and Song, Tao and Wang, Guotai}, journal={AAAI Conference on Artificial Intelligence}, year={2021} } 要求 一些重要的必需软件包包括： 版本> = 0.4.1。 TensorBoardX 的Python == 3.6 一些基本的python软件包，例如Numpy，Scikit-image，SimpleITK，S

具有交叉一致性训练 (CCT) 的半监督语义分割 , 本 repo 包含 CVPR 2020 论文的官方实现：Semi-Supervised Semantic Segmentation with Cross-Consistecy Training，它采用了传统的半监督学习的一致性训练框架进行语义分割，扩展到弱监督学习和在多个域。 强调 (1) 语义分割的一致性训练。 我们观察到，对于语义分割，由于任务的密集性，集群假设更容易在隐藏表示而不是输入上强制执行。 (2) 交叉培训。 我们为半监督语义分割提出了 CCT（Cross-Consistency Training），我们在其中定义了许多新的扰动，并展示了对编码器输出而不是输入执行一致性的有效性。 (3) 使用来自多个域的弱标签和像素级标签。 所提出的方法非常简单灵活，并且可以很容易地扩展到使用来自多个域的图像级标签和像素级标签。 要求

USSS_ICCV19 ICCV 2019接受通用半监督语义分割代码。 全文见 。 要求 Python> = 2.6 PyTorch> = 1.0.0 ImageNet预训练的模型是从的存储库下载的。 数据集 城市景观： ： IDD： ： 怎么跑 python segment.py --basedir --lr 0.001 --num-epochs 200 --batch-size 8 --savedir --datasets [ ..] --num-samples --alpha 0 --beta 0 --resnet --model drnet 致谢 大量代码是从Dilated Residual Networks（ ）和IDD Dataset（ ）的官方代码版本中大量借用的。