深度无监督学习的空间对比
本研究旨在将对比学习方法应用于地理定位的数据集上,通过利用遥感数据的时空结构设计预处理任务和构建时空正对来消除对比学习和监督学习之间的差距,并在遥感图像分类、目标检测和语义分割等任务上展示该方法的有效性,同时还表明该方法可以应用于地理标记的 ImageNet 图像并提高相应任务的性能。
Nov, 2020
本文介绍了一种使用无标签数据训练卷积网络的方法,该方法可用于通用特征学习,通过应用多种变换来区分一组代理类别,获得了比监督学习更具鲁棒性的特征表示,能在几个流行数据集上取得胜于现有结果的分类效果。
Jun, 2014
本研究提出了一种基于强化学习的采样策略,以适应网络状态,自适应采样新的排列,以更新卷积特征表示,进而在图像和视频分类及最近邻检索的标准基准测试中展现了具有竞争力的表现。
Jul, 2018
本文研究了卷积神经网络在无监督图像分割中的应用。我们提出了一种新的端到端网络方法,包括归一化和可微聚类函数,解决了前人固定分割边界的局限性。我们还针对用户输入扩展了该方法,同时保持高效性和准确性。经过在多个数据集上的测试,得出了该方法的有效性。
Jul, 2020
本文探讨使用反差学习作为辅助训练目标来促进更通用和可转移的特征,在此基础上提出了一种基于注意力的空间反差目标来学习本地区分和类别不可知特征。通过大量实验证明了该方法优于最先进的方法,证实了学习良好、可转移的嵌入在 few-shot 学习中的重要性。
Dec, 2020
本文介绍了一种基于增强版 k-means 聚类算法的深度卷积神经网络,该算法通过无监督学习技术利用分层特征来减少相关参数的数量,从而提高了测试分类精度。作者进一步展示了学习深度卷积神经网络各层之间的连接能够提高网络在少量标记数据上的训练能力,最终在 STL-10 数据集上获得 74.1% 的测试准确率以及在 MNIST 数据集上仅有 0.5% 的测试误差。
Nov, 2015
本文提出了一种通用的无监督深度学习方法,通过发现样本邻域来推理和累计学习潜在的类别决策边界,进而进行分类,实验结果显示该方法在图像分类方面优于先前的无监督学习模型。
Apr, 2019
本文探讨了如何通过使用转移学习和卷积神经网络等技术来提高大规模空间问题的训练效率,提出小信号窗口训练成果可在大信号上应用的理论,并在移动基础设施方面得到了实证支持。
Jun, 2023
该研究探讨了利用空间上下文作为丰富的视觉表征的监督信号的方法。通过从每个图像中提取随机配对的路径来训练卷积神经网络,用于预测第二个路径相对于第一个路径的位置,从而实现对目标的识别,并证明该方法在性能上优于其他算法。
May, 2015
本文介绍了一种名为 Spatial CNN (SCNN) 的神经网络,该网络利用了基于特征图的层间切片卷积来实现像素之间的跨行列信息传递,从而加强了卷积神经网络 (CNN) 学习结构输出的能力,特别适用于具有强空间关系但较少外表线索的目标识别任务,例如交通车道检测。实验结果表明,与传统的 RNN 和 MRF+CNN(MRFNet)相比,SCNN 可显著提高车道检测数据集的准确度。
Dec, 2017