本文提出通过神经网络建立非度量相似度函数,从而学习图像的相似度度量与提高基于实例的图像检索表现,实验结果表明该方法在一些标准的图像检索数据集上表现出色。
Sep, 2017
本文系统地综述了度量学习的前沿研究进展,着重分析了 Mahalanobis 距离度量学习、非线性度量学习、局部度量学习等新近涌现的强大替代方法,讨论了对于结构化数据的度量学习中仍存在的挑战,旨在给出度量学习近年来的发展方向。
Jun, 2013
本文针对未知说话人的 “开放式” 说话人识别问题,提出了一种度量学习的方法,该方法使用紧凑的嵌入来表示语音信息,并对最流行的损失函数进行了广泛评估,结果表明该方法优于现有的先进方法。
Mar, 2020
本论文旨在探究在不需要额外注释或训练数据的情况下,如何学习图像相似性的特征。通过构建一种新的三元组采样策略,实验结果表明,该方法可以显著提高深度度量学习的性能,并在各种标准基准数据集上实现了新的最优结果。
Apr, 2020
该研究旨在解决文档中的文本识别的泛化和灵活性问题。该研究提出了一种新模型,通过利用语言中字符的重复性,将文本识别转化为形状匹配问题,从而实现了外观的泛化和分类的灵活性。该模型可以解决传统架构无法解决的挑战,并在不同字母表的合成和真实数据集上进行了评估,得到了显著的改进。
Sep, 2020
本文提出了一种新的视觉识别范式,名为 ViRReq,通过将视觉识别分解成命名为请求的原子任务,并利用知识库和语言驱动识别,在功不完备的数据集上学习复杂的整体 - 部分层次结构,并且能够轻松地插入新的概念。
Jul, 2022
通过度量学习训练关键词识别的有效表示,提出一种新的基于度量学习的方法,可以对目标关键词和非目标关键词进行准确的识别,从而显著降低未知非目标关键词的误报率,并保持整体分类准确性。
May, 2020
本文介绍了一种算法鲁棒性的概念来推导度量学习的泛化界限,并且证明了弱稳健性是度量学习算法泛化的必要且充分条件,从而扩展了现有度量学习算法的泛化结果。
Sep, 2012
本篇论文研究了机器学习模型中过拟合和泛化的概念,发现 Recall@K 指标受到数据集中类数目的限制,提出了一种新的检索性能度量方法来估计泛化性能,应用于图像检索方法中,并对深度度量学习的泛化性能提供了新的见解。
Jun, 2023
本篇论文提出一种新的核函数以及一种新的编辑相似性模型,可以更好地优化距离和相似度函数,提高 k 近邻算法的性能,并在学习相似性时考虑到泛化能力与算法的稳定性, 解决了当前度量学习方法的局限性,为特征向量和结构化对象(如字符串或树)的度量学习提供了新方法。
Jul, 2013