为什么要使用主动学习(ActiveLearning，AL)针对有监督的学习任务，存在标记成本较为昂贵且标记难以大量获取的问题。在此问题背景下，主动学习（ActiveLearning,AL）尝试通过选择性的标记较少数据而训练出表现较好的模型。例如，此时我们有大量的猫和狗的数据，假设人为标记他们的类别是成本非常高的事情，这时需要用到主动学习从中挑选部分数据对他们进行标注以节约成本，用主动模型选取出的标注数据训练的模型比随机选取出的相同数量的标注数据训练的模型精度更高。如图所示，图(a)是全部数据集，图©中使用主动学习策略仅选取30个样本训练出的逻辑回归模型即可达到90%的准确率，而图(b)中随机选
为什么要使用主动学习(ActiveLearning，AL)针对有监督的学习任务，存在标记成本较为昂贵且标记难以大量获取的问题。在此问题背景下，主动学习（ActiveLearning,AL）尝试通过选择性的标记较少数据而训练出表现较好的模型。例如，此时我们有大量的猫和狗的数据，假设人为标记他们的类别是成本非常高的事情，这时需要用到主动学习从中挑选部分数据对他们进行标注以节约成本，用主动模型选取出的标注数据训练的模型比随机选取出的相同数量的标注数据训练的模型精度更高。如图所示，图(a)是全部数据集，图©中使用主动学习策略仅选取30个样本训练出的逻辑回归模型即可达到90%的准确率，而图(b)中随机选
前言文献名称：LearnedImageCompressionwithDiscretizedGaussianMixtureLikelihoodsandAttentionModules本文基于CompressAI的库进行复现github地址：compressAI关于compressAI相关博客说明：CompressAI：基于pytorch的图像压缩框架使用安装好compressai后相当于把这个底层库引入了我们的工程相关环境搭配可以参考JointAutoregressiveandHierarchicalPriorsforLearnedImageCompression文献复现文献复现同样都是使用co
前言文献名称：LearnedImageCompressionwithDiscretizedGaussianMixtureLikelihoodsandAttentionModules本文基于CompressAI的库进行复现github地址：compressAI关于compressAI相关博客说明：CompressAI：基于pytorch的图像压缩框架使用安装好compressai后相当于把这个底层库引入了我们的工程相关环境搭配可以参考JointAutoregressiveandHierarchicalPriorsforLearnedImageCompression文献复现文献复现同样都是使用co
【论文笔记】EASY–EnsembleAugmented-ShotY-shapedLearning:State-Of-The-ArtFew-ShotClassificationwithSimpleIngredientsIntroductionRELATEDWORKMETHODOLOGYSTEPS参考资料文章链接：EASY–EnsembleAugmented-ShotY-shapedLearning:State-Of-The-ArtFew-ShotClassificationwithSimpleIngredientsIntroduction经典小样本setting包括以下两个部分：1.gener
【论文笔记】EASY–EnsembleAugmented-ShotY-shapedLearning:State-Of-The-ArtFew-ShotClassificationwithSimpleIngredientsIntroductionRELATEDWORKMETHODOLOGYSTEPS参考资料文章链接：EASY–EnsembleAugmented-ShotY-shapedLearning:State-Of-The-ArtFew-ShotClassificationwithSimpleIngredientsIntroduction经典小样本setting包括以下两个部分：1.gener
原文链接：https://arxiv.org/pdf/2007.08199.pdfgithub链接：GitHub-songhwanjun/Awesome-Noisy-Labels:ASurvey（本文仅做阅读笔记之用，如需了解细节可自行查看原文，翻译不周之处，敬请指正）1.Introduction据统计真实世界的数据集中存在的标注噪声范围在8%到38.5%。深度神经网络（DNN）因为具有很强的拟合能力，所以很容易对噪声标签过拟合。正则化技术（如数据增强，权重衰减，dropout，批次正则化（BN）等）虽然能缓解过拟合问题，但是光靠正则化并不能完全克服过拟合。如fig.1就形象地说明了这个问题：
原文链接：https://arxiv.org/pdf/2007.08199.pdfgithub链接：GitHub-songhwanjun/Awesome-Noisy-Labels:ASurvey（本文仅做阅读笔记之用，如需了解细节可自行查看原文，翻译不周之处，敬请指正）1.Introduction据统计真实世界的数据集中存在的标注噪声范围在8%到38.5%。深度神经网络（DNN）因为具有很强的拟合能力，所以很容易对噪声标签过拟合。正则化技术（如数据增强，权重衰减，dropout，批次正则化（BN）等）虽然能缓解过拟合问题，但是光靠正则化并不能完全克服过拟合。如fig.1就形象地说明了这个问题：
引言：北京时间：2023/3/18/21:47，周末，不摆烂，但是欠钱终于还是遭报应了，导致坐牢7小时（上午3.5，下午3.5），难受，充分意识到行哥是那么的和蔼可亲，励志下次上蛋哥的课可以还清债务（所以下一篇，乃至更多篇博客，都将是关于系统编程的知识）；周末时光：昨天12点睡觉，今天7点40起床，然后到9点上课，12:50追一集动漫，1点整睡觉，睡到2点25分起床上第二节课，到6点，下楼丢垃圾，然后洗澡，到7点，开始看最后一节C++的录屏，现在写博客（吃饭都是在上课的时候完成），无论是上午还是下午，牢底坐穿，但是不怕，小强有韧性，记录周末第一天，还行，不怎么摆烂，但是感觉自己似乎也没学什么东
引言：北京时间：2023/3/18/21:47，周末，不摆烂，但是欠钱终于还是遭报应了，导致坐牢7小时（上午3.5，下午3.5），难受，充分意识到行哥是那么的和蔼可亲，励志下次上蛋哥的课可以还清债务（所以下一篇，乃至更多篇博客，都将是关于系统编程的知识）；周末时光：昨天12点睡觉，今天7点40起床，然后到9点上课，12:50追一集动漫，1点整睡觉，睡到2点25分起床上第二节课，到6点，下楼丢垃圾，然后洗澡，到7点，开始看最后一节C++的录屏，现在写博客（吃饭都是在上课的时候完成），无论是上午还是下午，牢底坐穿，但是不怕，小强有韧性，记录周末第一天，还行，不怎么摆烂，但是感觉自己似乎也没学什么东
