通过深度强化学习改进时空自监督
该论文提出了一种从视频的原始时空信号中学习视觉表示的方法,通过无监督的顺序验证任务,即确定来自视频的帧序列是否按照正确的时间顺序排列,学习卷积神经网络 (CNN) 的强大视觉表示,其结果显示出该方法在捕捉人类姿势等在时间上变化的信息方面具有敏感性,并可用于姿势估计和行动识别。
Mar, 2016
该论文探讨了自我监督方法在无监督视觉表示学习中的重要性,提出之前 CNN 设计的标准配方不一定适用于自我监督表示学习, 并大幅度提高了之前提出技术的性能,超越了之前公布的最先进结果。
Jan, 2019
本文综述了基于深度神经网络的自监督学习方法在视觉特征学习方面的应用,由于需要大量标记数据来训练深度神经网络,因此自监督学习被提出来,使用大规模未标记数据来学习图像和视频的通用特征而无需使用任何人工标记的标签。本文对自监督学习方法的主要组件和评估指标以及已有的图像和视频特征学习方法进行了综述和比较。
Feb, 2019
本文提出了一种基于自监督的时空学习框架,用于表示从面部视频中收集的生理信号,通过应用特定的数据增强模型以及约束时空损失,可以取得比其他自监督方法更好的结果,并且与最先进的有监督方法具有相当的精度。
Jul, 2021
本文提出了一种利用视频进行无监督表示学习的方法,采用时序一致性作为监督信号,将表示学习形式化为序列排序任务,通过训练卷积神经网络对打乱的图像序列进行排序,以预测正确的顺序。实验结果表明,我们的方法在行动识别、图像分类和物体检测任务上比状态 - of-the-art 方法效果更好。
Aug, 2017
本论文提出了一种利用自我监督任务作为辅助损失函数来改善小型标注数据集上深度表示可迁移性的技术,其中使用自监督损失学习的表示减少了元学习的相对误差率,此方法在各种学习任务中都取得了良好的表现。
Jun, 2019
提出了一种新的基于对比损失的无监督表示学习框架,并通过利用数据增广方案生成新样本来优化损失函数,实现混合样本的预测任务,以利用软目标进行学习。实验结果表明本方法在单变量和多变量时间序列上的表现优于其他表示学习方法,并展示了它对于临床时间序列的传递学习的好处。
Mar, 2022
本篇综述论文讨论了自监督学习在视频领域的应用,主要归纳了四种不同的自监督学习方法,分别为预测任务、生成式学习、对比学习和跨模态协议,并讨论了现有方法的局限性和未来发展方向。
Jun, 2022