Apr, 2017

使用偏序集进行深层无监督相似性学习

PDF
TL;DR通过局部可靠相似度的估计，不需要监督信号，将样本分组成紧凑的代理类，利用样本到类的局部偏序将类与类连接起来，将相似性学习形式化为局部排序任务，并采取自我监督策略，在 C​NN 中训练样本以一致的方式表示，同时更新类。该无监督方法在详细姿态估计和对象分类上表现出有竞争力的性能。
发现论文，激发创造
  • 深度无监督学习视觉相似性

    本文提出了一种利用局部相似性的弱估计，通过单个最优化问题提取具有一致性关系的样本批次，将视觉相似性学习作为分类任务的序列，并使 CNN 巩固群体内和群组间的传递性关系，学习所有样本的单个表示。

    Feb, 2018

  • CliqueCNN: 深度无监督样本学习

    本文提出了一种基于团伙分类任务的无监督训练方法，用于解决在仅有单个正样本、多个负样本以及不可靠的标注关系之间训练卷积神经网络的不足，并将其应用于姿态分析和物体分类任务。

    Aug, 2016

  • 无监督图像匹配和物体发现的优化

    本研究旨在通过解决一个适当的优化问题，对图像集合中的对象类别进行无监督发现和匹配，以应对日益增长的人工注释工作量和服务特定应用的需求。在多个基准测试中，我们的方法证明了其价值。

    Apr, 2019

  • 通过深度强化学习改进时空自监督

    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

  • 半监督语义匹配

    本文提出了一种半监督学习框架，为无标签图像对增加循环一致性限制，在监督丢失和无监督训练中实现了最先进的语义匹配性能。

    Jan, 2019

  • 使用转移相似度函数进行深度图像分类发现

    利用先验知识辅助探索图像类别的一种方法是采用对弱二元成对约束的对比损失进行学习，从其他领域的数据集中学习转移相似函数，这种新颖的端到端网络将未标记的图像映射到不同的类别上，模拟一种简单的知识转移。实验证明该网络在多个大规模数据集上能够显著提高聚类效果。

    Dec, 2016

  • 基于增强相似性学习的开放式识别

    研究中提出了一种 Open set recognition based on Pseudo unseen data Generation (OPG) 方法，利用相似度学习，通过先学习一个 closed set classifier，再学习如何将已知类别分别与伪未知类别进行比较（通过数据分布转化生成的），从而检测未知类别（或未看到过的类别），实验结果表明，这种基于相似度特征的方法可成功区分开放性识别基准数据集中已知和未知的类别。

    Mar, 2022

  • 基于成对相似度和无标签数据的分类

    提出了一种新的弱监督学习设置，称为 SU 分类，只需要相似数据对和未标记数据点，可以从 SU 数据中获得分类风险的无偏估计量，并证明其经验风险最小化器的估计误差达到最优参数收敛速率。通过实验证明了该方法的有效性。

    Feb, 2018

  • 邻域发现的无监督深度学习

    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

  • 对比学习，多视角冗余和线性模型

    本文针对多视图环境下对比学习进行理论分析，结果表明当视图提供有关标签的冗余信息时，所学习的表示的线性函数在下游预测任务中几乎是最优的。

    Aug, 2020