本研究提出了一种名为 ScaleNet 的简单高效的无监督表示学习方法,通过使用多尺度图像来增强有限信息条件下卷积神经网络 (ConvNets) 的性能,并展示了 ScaleNet 方法在旋转预测任务上的优越性及其对其他模型的分类任务的改进能力。
Oct, 2023
本文提出了 3DRotNet,一种全自我监管的方法,用于从未标记的视频中学习空间时间特征来提高视频理解任务的性能
Nov, 2018
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
本研究提出了一种新的无监督学习方法,利用自监督和聚类从大规模数据中捕获互补统计信息,通过对 YFCC100M 中 9600 万张图片的验证,本方法已经成为标准基准测试中无监督方法中最先进的方法之一,也展示了使用本方法预训练的 VGG-16 在 ImageNet 验证集上可以获得 74.9 % 的分类精度,比同一网络从头开始训练提高了 0.8%。
May, 2019
无监督表示学习、卷积自组织神经网络、评估协议、表示传输、图像到图像转换
Nov, 2023
本文介绍了一种通用的框架,用于在没有监督的情况下对深度网络进行端对端训练,通过固定一组目标表示并约束其深度特征对齐到这些表示来达到目的,同时采用了随机批量重新分配策略和可分离的平方损失函数来缓解标准无监督学习中的一些问题,并且在 ImageNet 和 Pascal VOC 上能够实现与最先进的无监督方法相媲美的表现。
Apr, 2017
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
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。
本文研究如何将数据增强应用于无监督特征学习,我们将各种变换应用于随机图像块,通过卷积神经网络分类学习到有用的特征表示,同时实验结果显示这一算法能在多个视觉数据集上取得较为有竞争性的分类结果。
Dec, 2013