有监督：用有标签的数据训练；无监督：用无标签的数据训练；K-means等半监督：利用数据分布上的模型假设建立学习器对未标签样例进行标签。通常是两阶段的训练，先用（较小规模的）有标签数据训练一个Teacher模型，再用这个模型对（较大规模的）无标签数据预测伪标签，作为Student模型的训练数据；知识蒸馏。自监督：在无标注数据上训练，通过一些方法让模型学习到数据的innerrepresentation，再接下游任务，例如加一个mlp作为分类器等。但接了下游任务之后还是需要在特定的有标签数据上finetune，只是有时候可以选择把前面的层完全固定，只finetune后面接的网络的参数。自监督数据监
UnsupervisedAnomalyDetectionforSurfaceDefectswithDual-SiameseNetwork(基于双孪生网络的表面缺陷无监督异常检测)1.主流的工业异常定位(检测)方法目前，基于深度学习的视觉检测在监督学习方法的帮助下取得了很大的成功。然而，在实际工业场景中，缺陷样本的稀缺性、标注成本的高昂以及缺陷先验知识的缺乏可能会导致基于监督的方法失效。近5年来，无监督异常定位算法在工业检测任务中得到了更广泛的应用。中科院自动化所、北京工商大学和印度理工学院等单位联合发表最新的工业异常定位(检测)综述。20页综述，共计126篇参考文献。综述将工业异常定位方法根据
UnsupervisedAnomalyDetectionforSurfaceDefectswithDual-SiameseNetwork(基于双孪生网络的表面缺陷无监督异常检测)1.主流的工业异常定位(检测)方法目前，基于深度学习的视觉检测在监督学习方法的帮助下取得了很大的成功。然而，在实际工业场景中，缺陷样本的稀缺性、标注成本的高昂以及缺陷先验知识的缺乏可能会导致基于监督的方法失效。近5年来，无监督异常定位算法在工业检测任务中得到了更广泛的应用。中科院自动化所、北京工商大学和印度理工学院等单位联合发表最新的工业异常定位(检测)综述。20页综述，共计126篇参考文献。综述将工业异常定位方法根据
（排名第1）TowardsTotalRecallinIndustrialAnomalyDetection（PatchCore）面向工业异常检测的全召回MVTecAD数据集上排名第一，检测准确率为99.1%，分割准确率为98.1% 缺陷检测是工业制造中的关键组成部分，最主要的解决方法是仅使用无缺陷的示例图像来拟合模型。将ImageNet模型的嵌入与异常值检测模型相结合。提出了PathCore，使用了名义补丁特征的内存库。在MVTecAD上，AUROC得分99.6%。 1.引言 应用“cold-start”异常检测，工业缺陷很可能从细微的变化到较大的结构缺陷，现有
（排名第1）TowardsTotalRecallinIndustrialAnomalyDetection（PatchCore）面向工业异常检测的全召回MVTecAD数据集上排名第一，检测准确率为99.1%，分割准确率为98.1% 缺陷检测是工业制造中的关键组成部分，最主要的解决方法是仅使用无缺陷的示例图像来拟合模型。将ImageNet模型的嵌入与异常值检测模型相结合。提出了PathCore，使用了名义补丁特征的内存库。在MVTecAD上，AUROC得分99.6%。 1.引言 应用“cold-start”异常检测，工业缺陷很可能从细微的变化到较大的结构缺陷，现有
Voxel代码讲解路线第一部分：Additionalsmalltutorial根据注释对图像进行变换环境及背景介绍：代码分析与讲解：1.库的导入：2.图像的输入与预处理：3.手动创建变换矩阵：4.WarpData5.展示结果第二部分：VoxelMorphtutorialVoxelMorph模型和训练教程代码分析与讲解：一、MNIST数据集的介绍和使用：1.库的导入：2.数据的准备：3.CNN模型4.损失函数二、现实的使用场景：颅脑MRI（2维切片）三、3D颅脑数据的使用VoxelMorph官方Github地址：https://github.com/voxelmorph/voxelmorph，本
Voxel代码讲解路线第一部分：Additionalsmalltutorial根据注释对图像进行变换环境及背景介绍：代码分析与讲解：1.库的导入：2.图像的输入与预处理：3.手动创建变换矩阵：4.WarpData5.展示结果第二部分：VoxelMorphtutorialVoxelMorph模型和训练教程代码分析与讲解：一、MNIST数据集的介绍和使用：1.库的导入：2.数据的准备：3.CNN模型4.损失函数二、现实的使用场景：颅脑MRI（2维切片）三、3D颅脑数据的使用VoxelMorph官方Github地址：https://github.com/voxelmorph/voxelmorph，本
1导引我们在博客《知识图谱实体对齐1：基于平移(translation)嵌入的方法》和博客《知识图谱实体对齐2：基于GNN嵌入的方法》中介绍的都是有监督的知识图谱对齐方法，它们都需要需要已经对齐好的实体做为种子（锚点），但是在实际场景下可能并没有那么多种子给我们使用。为了解决这个问题，有许多无监督/自监督的知识图谱对齐方法被提出。2一些常见无监督和自监督方法2.1基于GAN的方法首先我们来看一个基于GAN的方法[1]，虽然该方法是用于解决NLP中无监督跨语言词向量对齐操作的，但是我觉得在知识图谱领域也很有借鉴意义。在最原始的有监督跨语言词向量的对齐任务中，给定已经对齐好的字典（锚点）\(\le
1导引我们在博客《知识图谱实体对齐1：基于平移(translation)嵌入的方法》和博客《知识图谱实体对齐2：基于GNN嵌入的方法》中介绍的都是有监督的知识图谱对齐方法，它们都需要需要已经对齐好的实体做为种子（锚点），但是在实际场景下可能并没有那么多种子给我们使用。为了解决这个问题，有许多无监督/自监督的知识图谱对齐方法被提出。2一些常见无监督和自监督方法2.1基于GAN的方法首先我们来看一个基于GAN的方法[1]，虽然该方法是用于解决NLP中无监督跨语言词向量对齐操作的，但是我觉得在知识图谱领域也很有借鉴意义。在最原始的有监督跨语言词向量的对齐任务中，给定已经对齐好的字典（锚点）\(\le
监督学习参考吴恩达2022MachineLearning视频教程视频教程：(强推|双字)2022吴恩达机器学习Deeplearning.ai课程机器学习分类监督学习和无监督学习监督学习：回归、分类无监督学习：聚集、异常检测、降维回归问题利用大量的样本，通过有监督的学习，学习到由x到y的映射f，利用该映射关系对未知的数据进行预估，其中y为连续值1.线性回归常用符号说明：拟合函数：利用一个线性函数去拟合数据：\[f_{w,b}(x)=wx+b,其中w,b为参数\]损失函数（lossfunction）利用最小二乘法（最小平方法）计算其损失函数为：\[L(w,b)=\frac{1}{2}(\hat{y
