跳到正文

算法、任务与模态

Pseudo-labeling 最新动态

Pseudo-labeling 研究索引；按可核对的标签归档，不以热度评价质量。

23 条精选近 30 天 1 条共收录 37 条

更新

精选归档 · 第 2 页

1月1日周日第 21–23 条
  1. OpenReview · State space models72

    通过频谱空间迁移与伪标签修订实现无监督跨场景航空影像分割

    基于摘要分析。本文研究航空影像跨场景语义分割中的无监督域适应（UDA），针对像素级标注成本高、源域与目标域差异影响分割表现的问题，提出 sequential learning network（SLNet），将系统分为顺序执行的图像转换模型与分割适应模型。其研究对象是航空影像，而非 EEG 或 BCI；摘要未提供将其归类为 State space models 的机制依据。 在图像转换阶段，spectral space transferring（SST）在 Fourier 频谱空间中迁移源图像与转换后图像之间的高频成分，旨在缩小视觉差异，同时保留重要的图像身份特征与细粒度细节。在分割适应阶段，pseudo-label revising（PLR）通过熵最小化引导伪标签学习，以熵图作为自适应阈值持续修订目标域伪标签；作者称该修订方式不引入额外参数。具体频谱操作、阈值计算、损失组合与阶段训练方式尚未验证。 作者报告，SLNet 在单类别与多类别 UDA 分割实验中达到当时的最先进表现；摘要未给出数据集、划分、对照方法或指标数值，因此目前无法核对该结论的适用范围。实验协议、消融及统计信息尚未验证，代码与复现条件也未确认。 平台推测（待验证）：可迁移的假设主要是利用预测熵修订目标域伪标签，以应对 EEG 跨被试或跨会话域适应中的伪标签噪声。原方法依赖图像空间结构与像素级预测，迁移时需要将熵图改为试次级或时间窗级置信度，并重新校准阈值；航空影像高频细节与 EEG 频段活动并不等价，SST 不能直接照搬。低信噪比、通道差异和小样本可能使模型产生低熵但错误的预测，进而放大错误伪标签。一个可检验的小实验是在固定 EEG 跨被试划分、目标域训练不使用标签的条件下，仅比较固定置信度阈值与熵驱动修订，保持其余训练流程一致，并检查分类指标与伪标签错误率。相关 EEG 工作尚未检索确认。

    阅读价值：值得关注的是 SLNet 将 Fourier 频谱中的细节保持与基于熵图的伪标签修订拆分为两个顺序阶段，但其航空影像分割效果及向 EEG 域适应迁移的价值仍需核对全文与实验。

  2. OpenReview · Representation learning70

    面向多语言说话人识别的解耦表征学习

    基于摘要分析。该研究针对同一说话人使用不同语言时识别性能不稳的问题，提出结合对抗学习与度量学习的解耦策略，从说话人表征中分离语言相关信息，并发布由 VoxCeleb 衍生、面向双语场景的大规模评估集 VoxCeleb1-B。 核心机制是抑制表征中的语言相关因素，同时保持说话人表征学习的稳定性。作者称，语言解耦仅使用语言伪标签，不依赖人工语言标注。摘要未说明伪标签的生成方式、对抗目标、度量学习损失或训练流程，因此尚不能判断如何兼顾语言信息抑制与身份信息保留。 评估方面，作者指出常用说话人识别评估集未充分考虑双语场景，VoxCeleb1-B 旨在支持对这一问题的分析。摘要未提供样本量、语言组成、说话人数量、数据划分、对照基线或定量结果；作者将所提策略描述为有效，但效果幅度、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，将任务相关因素与干扰因素解耦，可能有助于缓解 EEG 表征中的被试或会话差异；这不是论文已验证的 BCI 贡献。可借鉴对抗约束与度量约束的组合，但需改造干扰标签定义、正负样本构造及 EEG 编码器，并依赖能够区分任务与干扰因素的数据结构。低信噪比、小数据和通道差异可能降低训练稳定性；若被试或会话信息与任务标签相关，强行解耦也可能删除有效信号。一个可检验的小实验是在固定 Cross-session 划分下，以训练会话标识作为干扰标签，对比基础模型与加入解耦约束的模型，同时检查任务识别表现和会话信息可预测性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其对抗学习与度量学习结合的语言—说话人表征解耦机制，以及面向双语场景的 VoxCeleb1-B 评估设计；实际性能和向 EEG 的迁移价值尚未验证。

1月1日周三
  1. OpenReview · Representation learning71

    通过关系图聚类进行大规模视频表征学习

    基于摘要分析。本文研究大规模视频表征学习，利用视频之间的相似关系构建层次图聚类，并提出两种训练策略：面向 triplet loss 的智能负样本采样，以及将聚类结果作为伪标签的伪分类学习。主要贡献是把样本关系结构用于训练样本选择和监督信号构造，而非直接研究 EEG 或 BCI。 机制上，第一种策略利用层次图聚类指导负样本选择，作者报告其显著提升 triplet loss 的训练效率；第二种策略把聚类结果转化为伪类别，用于学习视频嵌入。摘要未说明视频相似度的计算方法、图构建与层次聚类算法、负样本选择规则、伪标签更新方式或分类损失细节。这两种路径依赖可用的样本间相似关系，以及能形成有用簇结构的数据；其对初始表征质量与数据规模的依赖尚需全文核对。 作者报告，所学嵌入在相关视频检索和视频标注等多个视频理解任务上具有竞争力，并通过大规模数据集实验验证两种方法的可扩展性。摘要未提供数据集名称、划分、对照基线、具体指标或效率测量条件，实验协议、消融及统计信息尚未验证，不能据此判断性能增幅或最优性。 平台推测（待验证）：迁移假设是，若 EEG 片段间的相似图能够保留任务相关结构，图聚类可能用于选择负样本或构造伪标签，缓解标注有限时的表征学习问题。可复用的是图聚类引导采样与伪分类思路；需改造的是 EEG 特征、相似度定义及跨被试、跨通道的结构处理。低信噪比、被试差异和通道配置差异可能使簇主要反映噪声或个体身份，小数据也可能造成簇结构不稳定。一个可检验的小实验是在固定 Cross-subject 划分下，仅用训练被试构图，比较随机负采样与图引导负采样在相同训练预算下的下游表现和训练效率；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对基于层次图聚类的负样本选择与伪标签学习如何改善视频表征训练效率，但其对 EEG 的适用性尚未验证。