Tag · 2 篇
证据学习
分布 图像分割1鲁棒性与安全1
01 02
从 Softmax 到 Dirichlet：面向半监督语义分割的证据学习
From Softmax to Dirichlet: Evidential Learning for Semi-supervised Semantic Segmentation
用狄利克雷分布对类别概率建模，从分布视角给出原则性的不确定性估计，替代 softmax 置信度做伪标签筛选；HESS 将排他证据与集体证据解耦，可直接嵌入现有半监督分割框架提升伪标签可靠性。
BD-Merging：证据引导对比学习的偏差感知动态模型合并
BD-Merging: Bias-Aware Dynamic Model Merging with Evidence-Guided Contrastive Learning
对做多任务视觉模型部署的人，这篇给出了一套在测试时分布偏移下仍可靠的无监督模型合并方案：用证据检测头建模统一标签空间上的不确定性，再用邻域证据差异分数（ADS）驱动对比学习训练去偏路由器，按样本动态分配任务/层权重。可直接复用到多任务检测、分割等模型的免数据合并与测试时自适应场景。