基于度量学习的零样本分类的难负样本挖掘
本文提出了一种新的零样本图像分类方法,通过度量学习来控制图像的语义嵌入,实现了不需要在训练阶段使用类别的零样本学习,仅需在地面实况中提供以图像 / 属性为对的约束关系,使得学习模型可以预测一个测试图像与给定属性的一致性,并且该方法在四个挑战性数据集上取得了最好的效果。
Jul, 2016
本文提出了一种新颖的深度度量学习方法,该方法将三元组模型和嵌入空间的全局结构相结合,依赖于智能挖掘过程以在低计算成本下产生有效的训练样本,通过自适应控制器来加快训练过程的收敛速度,并在实验证明相比其他竞争挖掘方法,我们的方法可以更快地进行更准确的三元组 ConvNets 训练,同时在 CUB-200-2011 和 Cars196 数据集上实现了最新的嵌入结果。
Apr, 2017
本文介绍一种负边距损失函数用于基于度量学习的 few-shot 学习方法,该方法显著优于常规 softmax 损失函数,并在三个标准 few-shot 分类基准上取得了最新的最高准确度。通过实现和理论分析,发现尽管负边距会降低训练班级的发散度,但它也可以避免将同一新班级的样本错误地映射到多个峰值或簇中,从而有助于新班级的区分。
Mar, 2020
本文提出了一种新的基于 Energy Confused Adversarial Metric Learning (ECAML) 框架的深度度量学习方法,该方法通过引入混淆因子,实现优化强鲁棒度量学习。该方法不仅重视判别性,更强调了泛化能力对零样本图像检索和聚类任务的作用,实验结果显示在 CUB、CARS、Stanford Online Products 和 In-Shop 等数据集上达到了最先进的水平。
Jan, 2019
本研究使用混合模型解决无类别学习问题,通过学习相似度函数来映射源数据和目标数据到同一语义空间中,并在交叉验证的过程中联合优化参数,该方法在零样本识别的基准测试数据集上达到了显著的精确度提高。
Sep, 2015
本文讨论了利用等距逼近理论解决深度度量学习中 Triplet Loss 网络崩塌问题以及 Hard Negative Mining 的理论依据,并提出了未来避免网络崩塌的 Hard Negative Mining 方法。此理论还可拓展至其他基于欧几里得空间的度量学习方法。
Oct, 2022
本文提出了一种 Decoupled Metric Learning(DeML)框架,用于零样本图像检索任务,针对该任务中的学习行为问题,本文实现了学习视觉判别度度量和防止学习者的部分 / 选择性行为,在流行基准测试中明确展示了这些重要问题的解决必要性,并且在性能上优于现有方法。
Jul, 2019
本研究中使用基于代理的度量学习损失和对抗性正则化器以提高候选人检索阶段的效率,从而提供了一种有效的替代方法来解决候选人检索的困难问题,并展示了零样本设置下的使用。
Jan, 2023
基于深度学习和大规模标注数据,本论文提出了一种适应性的端到端度量学习方案,用于解决零样本槽填充的挑战性问题,并通过级联式联合学习框架、上下文感知软标签表示和槽级对比表示学习方法,有效地缓解了数据和标签转移问题,实验证明了该方法优于其他竞争基线模型。
Oct, 2023
在基于图像标题检索的任务中,三元组损失与半硬负例已成为从头开始优化的方法的事实选择。最近度量学习的进展已经产生了比三元组损失在图像检索和特征表示等任务上效果更好的损失函数。本文通过比较两种基于图像标题检索方法上的三种损失函数来回答这个问题,结论是否定的:在基于图像标题检索的任务中,三元组损失与半硬负例仍然优于度量学习中新近引入的损失函数。我们使用一种计数方法来进行分析来获得更好的理解这些结果。
Feb, 2022