分层体系结构中不变表示的无监督学习

Nov, 2013

分层体系结构中不变表示的无监督学习

Unsupervised Learning of Invariant Representations in Hierarchical Architectures

Fabio Anselmi, Joel Z. Leibo, Lorenzo Rosasco, Jim Mutch, Andrea Tacchetti...

TL;DR我们提出了一种基于无监督自动学习的方法，可以学习出具有小样本复杂度的好的表示方法，在视觉对象识别等领域可以得到应用。通过无监督学习期间存储的一组模板，可以对每个图像块计算一种不变而又唯一的（有区分性的）签名，从而从很少的有标记例子中学习图像识别。

Abstract

The present phase of machine learning is characterized by supervised learning algorithms relying on large sets of labeled examples ($n \to \infty$). The next phase is likely to focus on algorithms capable of lear

machine learning supervised learning visual object recognition unsupervised learning invariant representation

发现论文，激发创造

学习不变的语音表征

本论文探讨了如何利用无监督的声学特征来增强语音识别，其中，通过学习始终对某些变换和变形不变的音频信号表示，实现了对短小的语音样本的有效处理，从而极大地提升了元音分类的准确性并降低了样本复杂性。

Jun, 2014

大规模更稳健可解释的视觉任务的层次不变性

构建鲁棒且可解释的视觉系统是实现可信人工智能的重要步骤。本研究从理论、实践和应用角度系统地研究了层次不变性，并提出了一种使用卷积神经网络（CNN）层次结构构建超完备不变性的可解释方法。通过实验证明，该方法在纹理、数字和寄生虫分类等实验中展示了准确性、不变性和效率。对于规模更大的鲁棒且可解释的视觉任务，层次不变性表示是传统 CNN 和不变性的有效替代。

Feb, 2024

不变性和音乐分类的深度表示

本研究提出使用视觉中腹流的机制，构建计算模块以提取不变和有差别的音频表示，实现音频流派分类的无监督学习

Apr, 2014

走向无监督表示学习：学习、评估和传递视觉表示

无监督表示学习、卷积自组织神经网络、评估协议、表示传输、图像到图像转换

Nov, 2023

使用局部变换学习不变表示

本文提出了一个新颖的具有转换不变性的特征学习框架，将线性转换纳入特征学习算法中，可应用于无监督学习方法，如自动编码器或稀疏编码，证明在 MNIST 变化，CIFAR-10 和 STL-10 等图像分类基准数据集上具有优越的分类性能并在 TIMIT 数据集上实现了最先进的电话分类任务的结果。

Jun, 2012

强健不变表示中的领域通用性

本文研究对象识别中不变表示的泛化性，经过广泛实验，我们证明了不变模型学习到的非结构化潜在表示对分配偏移具有鲁棒性，因此使不变性成为有限资源环境中训练的理想属性。

Apr, 2023

自监督视觉表征学习的传递不变性

文章介绍了一种利用自监督学习的图形结构来学习具有不变性特征的视觉表示，并应用该表示在不同的识别任务中取得了显著性能提升。

Aug, 2017

物体标志表示的等变和不变学习

该论文提出了一种将基于实例和空间差异的对比学习相结合的简单而有效的方法，在训练的中间层次中表示对象明显地预测对象地标，通过空间对比学习进一步提高匹配和少量样本标志物回归任务的性能。该方法优于现有同类方法，并在标志物学习的标准基准测试以及该论文提出的新挑战上得到了验证。

Jun, 2020

图像分析的本地无监督学习

本文提出了一种局部学习算法，结合图像数据和卷积滤波器、块归一化和非线性方法，可以成功地对 CIFAR-10 和 ImageNet 32x32 数据集进行分类，并展示了有关如何使用无标签数据从中学习通用表示的成功转移学习案例。

Aug, 2019

分层组合自监督视觉表示学习

本文提出了一种从原始视觉分组能力启动视觉表示学习的框架，操作化分组通过轮廓检测器，该检测器将图像分割成区域，并将这些区域合并成树形层次结构。实验表明，我们的方法朝着通用预训练方法的方向发展，其对下游任务有益，并可用于语义区域搜索和基于视频的对象实例跟踪。

Dec, 2020