:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Zhuoyao, Liu, Yang, Feng, Wentao, Huang, Shudong
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	https://arxiv.org/abs/2509.15623
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Aligning Information Capacity Between Vision and Language via Dense-to-Sparse Feature Distillation for Image-Text Matching
von: Liu, Yang, et al.
Veröffentlicht: (2025)

Learning from Noisy Pseudo-labels for All-Weather Land Cover Mapping
von: Liu, Wang, et al.
Veröffentlicht: (2025)

Mitigating Noisy Correspondence by Geometrical Structure Consistency Learning
von: Zhao, Zihua, et al.
Veröffentlicht: (2024)

ReCon: Enhancing True Correspondence Discrimination through Relation Consistency for Robust Noisy Correspondence Learning
von: Zha, Quanxing, et al.
Veröffentlicht: (2025)

Pseudo-labelling meets Label Smoothing for Noisy Partial Label Learning
von: Saravanan, Darshana, et al.
Veröffentlicht: (2024)

Pseudo-label Refinement for Improving Self-Supervised Learning Systems
von: Zia-ur-Rehman, et al.
Veröffentlicht: (2024)

Pseudo-labeling with Keyword Refining for Few-Supervised Video Captioning
von: Li, Ping, et al.
Veröffentlicht: (2024)

Multi-granularity Correspondence Learning from Long-term Noisy Videos
von: Lin, Yijie, et al.
Veröffentlicht: (2024)

Robust Noisy Pseudo-label Learning for Semi-supervised Medical Image Segmentation Using Diffusion Model
von: Xi, Lin, et al.
Veröffentlicht: (2025)

Self Adaptive Threshold Pseudo-labeling and Unreliable Sample Contrastive Loss for Semi-supervised Image Classification
von: Zhang, Xuerong, et al.
Veröffentlicht: (2024)

Robust Noisy Correspondence Learning via Self-Drop and Dual-Weight
von: Liu, Fan, et al.
Veröffentlicht: (2024)

Disentangled Noisy Correspondence Learning
von: Dang, Zhuohang, et al.
Veröffentlicht: (2024)

RePL: Pseudo-label Refinement for Semi-supervised LiDAR Semantic Segmentation
von: Kwon, Donghyeon, et al.
Veröffentlicht: (2026)

Asymmetric Visual Semantic Embedding Framework for Efficient Vision-Language Alignment
von: Liu, Yang, et al.
Veröffentlicht: (2025)

IRNet: Iterative Refinement Network for Noisy Partial Label Learning
von: Lian, Zheng, et al.
Veröffentlicht: (2022)

SCORP: Scene-Consistent Object Refinement via Proxy Generation and Tuning
von: Chen, Ziwei, et al.
Veröffentlicht: (2025)

Unlearning the Noisy Correspondence Makes CLIP More Robust
von: Han, Haochen, et al.
Veröffentlicht: (2025)

Noisy-Correspondence Learning for Text-to-Image Person Re-identification
von: Qin, Yang, et al.
Veröffentlicht: (2023)

PLReMix: Combating Noisy Labels with Pseudo-Label Relaxed Contrastive Representation Learning
von: Liu, Xiaoyu, et al.
Veröffentlicht: (2024)

PC$^2$: Pseudo-Classification Based Pseudo-Captioning for Noisy Correspondence Learning in Cross-Modal Retrieval
von: Duan, Yue, et al.
Veröffentlicht: (2024)

EReCu: Pseudo-label Evolution Fusion and Refinement with Multi-Cue Learning for Unsupervised Camouflage Detection
von: Jiang, Shuo, et al.
Veröffentlicht: (2026)

Learning Camouflaged Object Detection from Noisy Pseudo Label
von: Zhang, Jin, et al.
Veröffentlicht: (2024)

Do It Yourself: Learning Semantic Correspondence from Pseudo-Labels
von: Dünkel, Olaf, et al.
Veröffentlicht: (2025)

Pseudo-label Based Domain Adaptation for Zero-Shot Text Steganalysis
von: Luo, Yufei, et al.
Veröffentlicht: (2024)

STAR-IOD: Scale-decoupled Topology Alignment with Pseudo-label Refinement for Remote Sensing Incremental Object Detection
von: Zhang, Yaoteng, et al.
Veröffentlicht: (2026)

Dynamic Uncertainty Learning with Noisy Correspondence for Text-Based Person Search
von: Xie, Zequn, et al.
Veröffentlicht: (2025)

REPAIR: Rank Correlation and Noisy Pair Half-replacing with Memory for Noisy Correspondence
von: Zheng, Ruochen, et al.
Veröffentlicht: (2024)

Energy-Based Pseudo-Label Refining for Source-free Domain Adaptation
von: Meng, Xinru, et al.
Veröffentlicht: (2025)

Label-Consistent Dataset Distillation with Detector-Guided Refinement
von: Zou, Yawen, et al.
Veröffentlicht: (2025)

Distribution-aware Noisy-label Crack Segmentation
von: Jiang, Xiaoyan, et al.
Veröffentlicht: (2024)

Pseudo-label Learning with Calibrated Confidence Using an Energy-based Model
von: Toba, Masahito, et al.
Veröffentlicht: (2024)

Consistent-Point: Consistent Pseudo-Points for Semi-Supervised Crowd Counting and Localization
von: Zou, Yuda, et al.
Veröffentlicht: (2025)

PAUL: Uncertainty-Guided Partition and Augmentation for Robust Cross-View Geo-Localization under Noisy Correspondence
von: Li, Zheng, et al.
Veröffentlicht: (2025)

Attribute Guidance With Inherent Pseudo-label For Occluded Person Re-identification
von: Zhi, Rui, et al.
Veröffentlicht: (2025)

3DSFLabelling: Boosting 3D Scene Flow Estimation by Pseudo Auto-labelling
von: Jiang, Chaokang, et al.
Veröffentlicht: (2024)

More Reliable Pseudo-labels, Better Performance: A Generalized Approach to Single Positive Multi-label Learning
von: Tran, Luong, et al.
Veröffentlicht: (2025)

Accurate Segmentation of Optic Disc And Cup from Multiple Pseudo-labels by Noise-aware Learning
von: Weng, Tengjin, et al.
Veröffentlicht: (2023)

SAM as the Guide: Mastering Pseudo-Label Refinement in Semi-Supervised Referring Expression Segmentation
von: Yang, Danni, et al.
Veröffentlicht: (2024)

ProtoDiv: Prototype-guided Division of Consistent Pseudo-bags for Whole-slide Image Classification
von: Yang, Rui, et al.
Veröffentlicht: (2023)

Self-Distilled Depth Refinement with Noisy Poisson Fusion
von: Li, Jiaqi, et al.
Veröffentlicht: (2024)