度量嵌入的半监督深度学习
该研究提出了一种自我监督的生成辅助排序框架,以半监督视角获得典型监督深度度量学习的类内方差学习方案,该方法通过样本合成以模拟类内样本的复杂变换,并设计了自我监督学习思想下的类内排名损失函数来捕获微妙的类内变异性,从而增强了下游任务的有效性。实验表明,这种方法优于现有最先进的方法。
Apr, 2023
本文介绍了一种利用训练批次的算法,将向量的成对距离提升到成对距离矩阵,从而以学习结构化预测目标的方式来优化最先进的特征嵌入方法,同时在 CUB-200-2011、CARS196 和 Online Products 数据集上进行实验,证明在所有实验的嵌入尺寸上都能够显著提高。
Nov, 2015
通过深度度学习,优化深度神经网络的目标函数在创建输入数据的增强特征表示中起着至关重要的作用。然而,基于交叉熵的损失函数对于具有大的类内差异和低的类间差异的输入数据分布来说往往不够充分。深度度量学习旨在通过学习将数据样本映射到代表性嵌入空间的表示函数,以度量数据样本之间的相似性。它利用精心设计的采样策略和损失函数,帮助优化产生具有低类间和高类内方差的区分性嵌入空间的生成。在本章中,我们将概述该领域最新的进展,并讨论最先进的深度度量学习方法。
Dec, 2023
本研究提出了一种基于信息传递网络的方法,能够考虑 mini-batch 中全部样本之间的关系,通过加入注意力机制,使得样本能够在信息传递中自行确定重要性,该方法在 CUB-200-2011、Cars196、Stanford Online Products 和 In-Shop Clothes 数据集上取得了最佳效果。
Feb, 2021
本文提出了一种新的自学习框架用于无监督度量学习,该框架通过交替预测数据之间的类等价关系和利用预测的关系作为伪标签来学习模型。其中的算法能够有效地进行端到端的训练,因为它不需要伪标签的现成模块。通过在标准的度量学习基准上的表现,它明显优于现有的无监督学习方法,有时甚至比使用相同基础网络的监督学习模型更好。它也被应用于半监督的度量学习,并通过提高监督学习的性能,实现了现有最先进的表现。
May, 2022
本研究针对数据稀缺度的问题,提出了一种利用距离度量学习方法和基于图表征学习的分类模型的 few-shot 学习方法,同时在嵌入空间中实现了任务驱动嵌入,最后提出了一种基于 MixUp 的在线数据增强技术。
Jun, 2022