多视角完整空间学习
本文研究了一种新的范例,称为多视类增量学习(MVCIL),旨在将单个模型应用于连续的视图流中,以增量分类新类,而无需访问早期的数据视图,其中引入了一种随机化表示学习技术进行特征提取,集成后引入选择性权重巩固,实验证明了本方法的有效性。
Jun, 2023
基于表示距离的互信息最大化方法用于量化不同视图的重要性,进而实现更高效的对比学习和表示解耦。通过在频率域提取多视图表示,并基于不同频率之间的互信息重新评估其重要性,本文提出的框架能够有效约束互信息最大化驱动的表示选择,推动多视图对比学习。
Feb, 2024
本文针对在多视角数据的部分视角缺失下进行聚类的问题,提出了一种名为 LSIMVC 的简洁、高效的方法,其通过实现稀疏规则和新颖的图嵌入多视角矩阵分解模型,从不完整的多视角数据中学习出一种稀疏的结构化共识潜在表征。
Aug, 2022
提出一种不需要成对样本的多视角聚类框架 SMILE,通过发现在不同视角的显著语义分布密度不变性来解决有关缺失信息的问题,从而实现了对不完整对应和不完整实例的聚类,并取得了显著的表现.
May, 2023
通过分析 MIS 视频,综述了当前 MTL 系统在 MIS 中的应用,讨论了这些系统的优势和局限性,并对 MTL 在 MIS 的各个应用领域进行了文献分析,包括大模型,突出了显著趋势、新的研究方向和发展。
Jan, 2024
本文提出两种方法来提高多模态翻译质量,其一是通过来自源领域的内容表示以及目标域的风格表示的条件表示,其二是采用 MILO,一种基于信息论的新型随机定义的损失函数。我们的模型 MISO 在各种真实数据集上广泛实验,取得了最优性能。
Feb, 2019
这篇论文研究不同视角之间的关联性对于对比学习在无监督和半监督任务中的重要性,并提出通过减少视角之间的互信息来学习有效的视角以提高下游任务的准确性。同时,作者在 ImageNet 分类和 PASCAL VOC 目标检测以及 COCO 实例分割任务上通过对比实验展示了他们提出方法的高效性。
May, 2020
一种基于可解释的 Takagi-Sugeno-Kang 模糊系统的多视图模糊表示学习方法被提出,该方法从两个方面实现多视图表示学习:将多视图数据转化为高维模糊特征空间,并同时探索视图之间的共同信息和每个视图的特定信息;基于 L_(2,1)-norm 回归的新的正则化方法被提出以挖掘视图之间的一致性信息,并通过拉普拉斯图保持数据的几何结构;通过对多个基准多视图数据集进行广泛实验验证了该方法的优越性。
Sep, 2023
本文提出了一种基于多级自监督学习模型的语义分割域自适应方法,通过分割多个子图像来生成空间独立且语义一致的伪标签,并计算图像级伪弱标签来捕捉源域和目标域中的全局上下文相似性,从而在像素数很少(例如小物体)的情况下帮助潜在空间学习表示。该方法在 GTA-V 到 Cityscapes 和 SYNTHIA 到 Cityscapes 的适应中均取得了优于现有方法的性能表现。
Sep, 2019