Prompt-Beschreibung

GENEHMIGT. Das Diagramm illustriert ein Dual-Branch Semi-Supervised Learning Framework, das für realistische, Long-Tailed-Daten im Bereich Computer Vision entwickelt wurde. Das Framework umfasst zwei Datenströme: Gelabelte Daten (Long-Tailed) und Ungelabelte Daten (Unbekannte Verteilung). Beide Ströme werden von einem gemeinsamen Feature Extractor (Backbone Network) verarbeitet. Nach der Feature-Extraktion divergieren die Features in zwei parallele Zweige: einen Biased Predictor, der Pseudo-Labels für ungelabelte Daten generiert und sich an die Verteilung der ungelabelten Daten anpasst, und einen Balanced Predictor, der trainiert wird, um ausgeglichene Entscheidungsgrenzen zu fördern und für die endgültige Inferenz verwendet wird. Ein Learning-Status-Guided Feature Diffusion Suppression Modul befindet sich zwischen dem Backbone und beiden Predictoren und ist mit dem Feature Space verbunden. Dieses Modul unterdrückt die Feature-Expansion für gut gelernte Klassen, während es die Exploration für unterlernte Klassen beibehält.