AAAIJan, 2019

能量混淆的对抗度量学习在零样本图像检索和聚类中的应用

PDF
TL;DR本文提出了一种新的基于 Energy Confused Adversarial Metric Learning (ECAML) 框架的深度度量学习方法，该方法通过引入混淆因子，实现优化强鲁棒度量学习。该方法不仅重视判别性，更强调了泛化能力对零样本图像检索和聚类任务的作用，实验结果显示在 CUB、CARS、Stanford Online Products 和 In-Shop 等数据集上达到了最先进的水平。
发现论文，激发创造
  • 基于混合注意力的解耦度量学习用于零样本图像检索

    本文提出了一种 Decoupled Metric Learning（DeML）框架，用于零样本图像检索任务，针对该任务中的学习行为问题，本文实现了学习视觉判别度度量和防止学习者的部分 / 选择性行为，在流行基准测试中明确展示了这些重要问题的解决必要性，并且在性能上优于现有方法。

    Jul, 2019

  • 基于度量学习的零样本分类的难负样本挖掘

    本文基于 Bucher 等人的工作，引入了一种新颖的度量学习目标函数，该函数可与图像和属性之间的相似度一起学习属性的最佳嵌入。本文通过提出若干控制生成负对的方案来扩展这种方法，在三个具有挑战性的零样本分类数据集上，获得了显着的性能提高，达到了最高水平的结果。

    Aug, 2016

  • 通过度量学习提高语义嵌入一致性，用于零样本分类

    本文提出了一种新的零样本图像分类方法，通过度量学习来控制图像的语义嵌入，实现了不需要在训练阶段使用类别的零样本学习，仅需在地面实况中提供以图像 / 属性为对的约束关系，使得学习模型可以预测一个测试图像与给定属性的一致性，并且该方法在四个挑战性数据集上取得了最好的效果。

    Jul, 2016

  • 深度关系度量学习

    本文提出了一种深度关系度量学习（DRML）框架，用于图像聚类和检索。该方法采用可自适应学习的特征集合来建模类内和类间分布，并使用关系模块和图建模在图像上进行关系推理，得到一种关系感知嵌入来测量相似性，从而有效提高了当前深度度量学习方法的效果。

    Aug, 2021

  • 内省式深度度量学习

    该论文提出了一种基于内省的深层度量学习框架，用于对图像进行不确定性感知的比较，该框架使用语义嵌入和不确定性嵌入来表示图像的特征以及模糊程度，并使用内省相似性度量来进行图像的相似度比较，取得了在图像检索和分类任务中的最先进性能。

    May, 2022

  • 自省式深度度量学习

    本研究提出一种内省型深度度量学习（IDML）框架，用于对图像进行不确定性感知的比较。通过不仅使用语义嵌入还使用伴随的不确定性嵌入来表示图像，该框架改进了深度度量学习的性能，并在图像检索和聚类等任务上取得了最先进的结果。

    Sep, 2023

  • 无监督的混合尺度群组协作度量学习对于普通物体检索的应用

    通过无监督的深度度量学习方法，本文提出了一种新颖的混合比例分组的无监督协同度量学习方法 (MS-UGCML)，用于学习不同尺度对象的嵌入表示。同时，通过利用 COCO 2017 和 VOC 2007 数据集，组装了一套挑战集，以促进通用对象检索模型的训练和评估。综合评估表明，我们的无监督 MS-UGCML 方法在对象级别和图像级别的 mAP 提升了 6.69% 和 10.03%。

    Mar, 2024

  • 实例自适应原型对比嵌入在广义零样本学习中的应用

    我们提出了一种基于边界的原型对比学习嵌入网络来提高嵌入空间中表示的质量，并提出了一种实例自适应对比损失来实现未知标签的广义表示，实验表明我们的方法在三个基准数据集上优于现有技术，并在广义零样本学习设置下始终获得最佳的未知性能。

    Sep, 2023

  • 基于设施位置法的深度度量学习

    该研究利用深度网络以端到端的方式学习表示和相似度度量，在全局测度学习的基础上优化深度测度嵌入，进而获得在分类和检索任务上的最先进表现。

    Dec, 2016

  • 对比嵌入用于广义零样本学习

    提出了一种混合零样本学习框架，将生成模型与嵌入模型相结合，采用对比嵌入技术进行分类，解决了数据不平衡问题，实验结果表明，在五个基准数据集上，该方法优于现有技术。

    Mar, 2021