Contrastive Semi-supervised Learning for Underwater Image Restoration via Reliable Bank（论文阅读）

解决问题：

• 缺乏真实数据；

• 数据量有限；

存在问题：（naive mean-teacher method-baseline）

• 当教师的预测错误时，训练中使用的一致性损失可能会失效；

• 使用 L1 距离可能导致网络过拟合错误标签，产生确认偏差；

提出方法：Semi-supervised Underwater Image Restoration (Semi-UIR)

开源代码：https://github.com/Huang-ShiRui/Semi-UIR

摘要：尽管近年来水下图像恢复技术取得了显著成就，但缺乏标记数据已成为进一步发展的主要障碍。在这项工作中，我们提出了一个基于均值教师的半监督水下图像恢复(Semi-UIR)框架，将未标记的数据纳入网络训练中。然而，朴素均值-教师方法存在两个主要问题:(1)当教师的预测错误时，训练中使用的一致性损失可能会失效。(2)使用L1距离可能导致网络过拟合错误标签，产生确认偏差。为了解决上述问题，我们首先引入一个可靠的银行来存储“有史以来最好”的输出作为伪基础真理。为了评估输出的质量，我们基于单调性进行了实证分析，以选择最可信的NR-IQA方法。此外，针对确认偏差问题，我们引入了对比正则化来防止错误标签的过拟合。

方法：

1、Semi-supervised Underwater Restoration / Reliable Teacher-Student Consistency

2、Reliable Metric Selection

3、Overall Optimization Objective

4、浑浊数据下的测试结果：

Contrastive Semi-supervised Learning for Underwater Image Restoration via Reliable Bank（论文阅读）相关推荐

Learning Span-Level Interactions for Aspect Sentiment Triplet Extraction 论文阅读 ACL2021
目录摘要针对问题: 解决方法: 2 Span-based ASTE 2.1 Task Formulation 2.2 Model Architecture 2.2.1 Sentence Encod ...
图构造总结-Graph‑based semi‑supervised learning via improving the quality of the graph dynamically
前言本博文主要对论文中提到的图构造方法进行梳理,论文自己提出的模型并未介绍,感兴趣的可以阅读原文摘要基于图的半监督学习GSSL主要包含两个过程:图的构建和标签推测.传统的GSSL中这两个过程是完 ...
《Communication-Efficient Learning of Deep Networks from Decentralized Data》论文阅读
4.29 天气:阴. 看论文看不懂,所以找回来这篇经典的FedAvg看看. AISTATS 2017. <Communication-Efficient Learning of Deep Net ...
Learning Hierarchy-Aware Knowledge Graph Embeddings for Link Prediction论文阅读笔记
我的博客链接 0. 前言 1. 作者试图解决什么问题? 作者想在KGE中对语义层级(semantic hierarchies)进行建模. 2. 这篇论文的关键元素是什么? semantic hiera ...
A Deep Reinforcement Learning Network for Traffic Light Cycle Control 【论文阅读】
文章脉络[Dueling DQN+Prioritized Memory ,2019年TVT] 1.贡献 1)首次将dueling network,target network,double DQN 和 ...
Learning Actor Relation Graphs for Group Activity Recognition 论文阅读
目录一.了解ARG 二.为什么需要ARG 1.多人场景识别的问题 2.先前的方法 3.本文的方法 4.本文的三大贡献三.ARG详细介绍 1.群体活动识别框架 2.构建ARG 2.1图的定义 2.2 ...
论文阅读|struc2vec: Learning Node Representations from Structural Identity
论文阅读|struc2vec: Learning Node Representations from Structural Identity 文章目录论文阅读|struc2vec: Learning ...
ML之SL：监督学习(Supervised Learning)的简介、应用、经典案例之详细攻略
ML之SL:监督学习(Supervised Learning)的简介.应用.经典案例之详细攻略目录监督学习(Supervised Learning)的简介 1.监督学习问题的两大类-分类问题和回归 ...
【论文导读】- Link Weight Prediction Using Supervised Learning Methods（使用监督学习方法的链路权重预测及其在Yelp网络中的应用）
文章目录论文信息摘要主要内容(contributions) 图模型和评价指标特征指标原图特征指标原始图转线图线图特征指标论文信息 Link Weight Prediction Usin ...
监督学习（supervised learning）与非监督学习（unsupervised learning）
一,监督学习(supervised learning): 监督学习(supervised learning)的任务是学习一个模型,使模型能够对任意给定的输入,对其相应的输出做出一个好的预测. 即:利用 ...

Contrastive Semi-supervised Learning for Underwater Image Restoration via Reliable Bank（论文阅读）

Contrastive Semi-supervised Learning for Underwater Image Restoration via Reliable Bank（论文阅读）相关推荐

最新文章

热门文章