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
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 CNN 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。
Apr, 2017
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
提出了一种基于弱监督对比学习的框架 (WCL),该框架使用两个投影头进行正则的实例区分任务,一头使用基于图形的方法找到相似的样本并生成弱标签,另一头使用这些弱标签进行有监督的对比学习任务,以拉近相似图像之间的距离。WCL 旨在解决现有对比学习框架中的类冲突问题,并在不同的数据集上提高了自监督表示品质,尤其是在半监督学习中达到了新的最优结果。
Oct, 2021
本文介绍了一种使用大量未标记数据进行无监督学习的方法,通过使用数十万个未标记的 web 视频作为数据集,设计了一个具有排名损失函数的 Siamese-Triplet 网络,用于深度卷积神经网络的无监督学习,可在不使用 ImageNet 的情况下,获得 52% 的 mAP 的性能,并展示了此非监督网络在其它任务中表现出竞争性。
May, 2015
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
本研究基于深度卷积神经网络,针对图像生成中的属性变换问题,在两个面部数据集上进行了有量有质的实验,并取得了较为有前途的结果。
Nov, 2015
本文探讨了在大型弱标记图像集上训练卷积网络以提升视觉特征表达的潜力,并证明了在 1 亿张 Flickr 图片与样本说明上训练出来的特征在多种视觉问题中表现良好,还能够妥善地捕捉单词之间的相似性,并学习不同语言之间的对应关系。
本文提出了基于距离加权采样的深度嵌入方法,用于图像检索、聚类和人脸验证任务,取得了所有数据集上的最优性能。
Jun, 2017