Sep, 2017

使用深层卷积神经网络和课程学习进行图像相似度比较

PDF
TL;DR本文介绍了一种名为 SimNet 解决方案的深度连体网络，这个网络使用一种新颖的在线对挖掘策略进行了训练，同时创建了一个多尺度 CNN, 最终图像嵌入是顶层和底层嵌入的联合表示，表明这种多尺度连体网络比传统 CNN 更能捕捉细粒度的图像相似性。
image similaritysimnetdeep siamese networkmulti-scale cnnfine-grained image similarities
发现论文，激发创造
  • 标签相似性课程学习

    本文研究课程学习方法，通过改变标签表示来调整损失函数，提高深度学习模型的训练效果，在多个数据集上进行了实验验证。

    Nov, 2019

  • 使用孪生 CNN 学习医学图像的深度特征并应用于基于内容的图像检索

    使用深度 Siamese 卷积神经网络 (SCNN)，基于二值图像对信息，可以学习到更少监督的图像表示，并在医疗图像检索任务上取得了可比单一监督学习 CNN 的表现。

    Nov, 2017

  • DeepSim-Nets: 用于立体图像匹配的深度相似度网络

    本文提出了三种多尺度相似性学习结构，使用对比损失函数学习像素级匹配，实现对场景几何形态的无关性。基于深度学习，通过学习与分配匹配像素对，建立了混合和端到端方法之间的平衡。同时，文章还探讨了如何通过样本挖掘提高预测相似度的整体稳健性和较好的性能表现，并在航空和卫星数据集上进行了实验，结果表明 DeepSim 网络优于混合方法和端到端方法，并且更好地适用于未见过的场景几何形态。该灵活的体系结构可以轻松地应用于标准的多分辨率图像匹配管道。

    Apr, 2023

  • 深度相似网络的可视化

    本文介绍了一种针对卷积神经网络模型中图像嵌入优化的方法，用于突出显示贡献最大的图像区域，可用于相似性学习领域的问题。我们还将该方法推广至使用不同池化策略的嵌入网络，并提供了一种支持查询图像中物体或子区域的图像相似性搜索的简单机制。

    Jan, 2019

  • 深度排序学习细粒度图像相似度

    本文提出了一个利用深度学习技术从图像直接学习相似度度量的深度排名模型。该模型通过多尺度网络结构和三元组采样算法，具有比基于手工特征和深度分类模型更高的学习能力。实验证明了该算法的优越性。

    Apr, 2014

  • CurriculumNet: 大规模网络图像弱监督学习

    该论文提出了一种基于课程学习的弱监督学习方法，通过对大规模网络图像数据进行无人工标注的深度神经网络训练，实现对大量噪声数据和数据分布不均等问题的有效处理和噪声标签的负面影响的显著降低，构建一种新的课程学习架构，使得使用高噪声标签的图像作为一种正则化策略可以惊人地提高模型的泛化能力，在 WebVision、ImageNet、Clothing-1M 和 Food-101 等四个基准测试中取得了最先进的性能，多模型集成的结果在 1000 种类别分类中取得了 5.2% 的 top-5 错误率，相对误差率超过 50%。

    Aug, 2018

  • 基于跨模态相似性的课程学习在图像描述中的应用

    该研究提出一种基于跨模态相似性的难度度量方法，用于图像字幕生成模型的训练，并在 COCO 和 Flickr30k 数据集上验证了其有效性，证明其在难样本和未见数据上表现出较高的泛化能力。

    Dec, 2022

  • 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

  • 条件相似网络

    本篇论文提出了一种称为 “条件相似性网络” 的方法，用于学习分离式嵌入，不同的相似性概念被编码在不同的语义子空间，并用于解决多个不同相似性概念的问题。

    Mar, 2016

  • 基于 Siamese 网络的深度学习人脸识别方法

    通过使用对比网络的方法，在没有标记的人脸图像的情况下，实现了接近监督基准的性能。

    Dec, 2023