无监督学习视觉嵌入的本地聚合

Mar, 2019

Local Aggregation for Unsupervised Learning of Visual Embeddings

Chengxu Zhuang, Alex Lin Zhai, Daniel Yamins

TL;DR本文研究了如何利用无监督学习方法训练神经网络，通过优化局部聚合的度量方式实现相似的数据实例在嵌入空间中聚集在一起，从而实现在大规模视觉识别领域中的非监督迁移学习，实现了 ImageNet、Places 205 和 PASCAL VOC 数据集中物体识别、场景识别和物体检测方面的最佳性能。

Abstract

Unsupervised approaches to learning in neural networks are of substantial interest for furthering artificial intelligence, both because they would enable the training of networks without the need for large numbers of expensive annotations, and because they would be better models of the

unsupervised learning neural networks convolutional embeddings visual recognition transfer learning

发现论文，激发创造

网络感知嵌入的无监督学习

通过估计数值节点属性之间的网络距离，我们可以创建网络感知嵌入，而不是对网络的节点进行聚类。在本文中，我们修复了无监督学习文献中的这个盲点，并展示了我们的方法在各种领域的应用中始终是有益的，并且可以提供可操作的见解。

Sep, 2023

深度表示学习的无监督图像分类

本研究提出了一种无监督图像分类框架，旨在通过不使用嵌入聚类来简化和优化深度聚类算法，并在 ImageNet 数据集上进行了实验。同时验证了其在多标签图像分类，目标检测，语义分割等任务的泛化性，以及其在迁移学习中的有效性。

Jun, 2020

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

学习鲁棒的视觉 - 语义嵌入

该研究提出了一种基于无监督学习和深度神经网络的终端到终端学习框架，结合自编码器和最大均值差异损失来学习语义和视觉特征的联合嵌入，实现了跨域多模态表示的提取，并构建了更全面的标记和未标记数据的嵌入，帮助从归纳到传导的范围内解决零样本和少样本图像识别和检索等各种复杂任务。

Mar, 2017

深度神经嵌入技术在视频无监督学习中的应用

本文介绍了 Video Instance Embedding（VIE）框架，它扩展了用于学习深度非线性嵌入的强大无监督损失函数以进行大规模视频数据集上的多流时间处理架构，展示了 VIE 训练的网络在 Kinetics 数据集的动作识别和 ImageNet 数据集的目标识别中有重大发展，并提供了分析表明路径如何有所不同。

May, 2019

无监督嵌入质量评估

研究了评估深度神经网络自监督学习中表示质量的多种方法，包括信息嵌入量、线性可分性等，通过实验结果发现了可以无监督评估嵌入质量的方法。

May, 2023

无监督视频目标分割中的实例嵌入迁移

提出一种用于无监督视频目标分割的方法，通过转移图像实例嵌入网络中封装的知识。通过将实例嵌入与物体性和光流特征相结合，无需模型重新训练或在线微调，即可将物体链接起来。该方法在 DAVIS 数据集和 FBMS 数据集上优于最先进的无监督分割方法。

Jan, 2018

密集视觉表示的无监督学习

本文提出了一种名为 VADeR 的无监督学习方法，通过像素级对比学习来学习像素级别的视图无关的密集表示，该方法在多个密集预测任务中优于 ImageNet 监督预训练和强无监督基线。

Nov, 2020

邻域发现的无监督深度学习

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

使用偏序集进行深层无监督相似性学习

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