ICMLMay, 2019

使用二元强制选择度量学习对图像进行分层注释

PDF
TL;DR提出一种通过高效的区分测试而非逐个数据点的注释来揭示数据的层次结构的方法，利用二选一强制选择测试和深度度量学习将数据嵌入语义空间，并通过实验证明了该方法的可行性。
发现论文，激发创造
  • 通过拟合二项分布评估感知距离的两个选择数据

    本文使用双选强迫选择实验（2AFC）的统计建模方法，通过最大似然估计来适配分布，对感知判断进行评估，并计算不同距离下的判断可能性，从而解决了在感知数据中减少判断数目的问题，同时强调了神经网络方法所缺少的关键要素。

    Mar, 2024

  • 联合层次结构学习和大规模图像分类

    本文介绍了一种基于层次化视觉数据结构的图像分类方法，该方法利用层次聚类创建了可变长度的视觉树，从而更准确地进行分类。该方法在 ILSVRC2010 和 Caltech 256 基准数据集上获得了显著更好的分类准确率。

    Sep, 2017

  • 使用蕴涵锥嵌入的分层图像分类

    该论文提出了一套使用嵌入到分类标签中的类层次结构信息，通过改进算法进行图像分类和表示学习的方法，并将其在 ETHEC 数据集中进行了实证测试。

    Apr, 2020

  • 利用数据层次结构作为对比学习的新模态

    本研究探讨了如何使用分层结构化数据来帮助神经网络学习大教堂的概念表示。通过 WikiScenes 数据集提供的空间组织的分层结构，我们提出了一种新颖的分层对比训练方法，利用三元组边界损失在编码器的潜在空间中表示数据的空间层次结构，研究了数据集结构是否为自监督学习提供了有价值的信息。通过应用 t-SNE 可视化所得到的潜在空间并将所提出的方法与其他具有特定数据集的对比学习方法在常见的下游分类任务中进行比较评估，结果表明所提方法优于可比较的弱监督和基准方法。我们的发现表明数据集结构是弱监督学习中有价值的模态。

    Jan, 2024

  • 利用类层次结构进行度量引导的原型学习

    本文提出了一种基于成本矩阵和原型网络的层次分类方法，其通过在嵌入空间中排列类原型来表征层次结构，并在四个公共数据集上验证了该方法的效果。

    Jul, 2020

  • 层次化三元组损失的深层度量学习

    本研究提出了一种新的分层三元组损失（HTL），通过编码全局上下文信息的定义的分层树自动收集有用的训练样本（三元组），以解决深度度量学习中的集束采样的主要限制。

    Oct, 2018

  • 构建层次化图像标签双模态表示以备选词标签

    本论文介绍了我们针对 ICML 的多模式学习挑战的解决方案，包括构建三级表示、选择正确的标签词、提出双模自编码器等，最终在私有测试集上取得了 100％的平均准确率，排名第一。

    Jul, 2013

  • 基于层级结构的图像嵌入方法用于语义图像检索

    该研究提出了通过将图像映射到类别嵌入中以学习语义鉴别性特征的方法，从而提高图像检索结果的语义一致性。结果显示在 CIFAR-100，NABirds 和 ImageNet 上，学习到的图像嵌入大大提高了图像检索结果的语义一致性。

    Sep, 2018

  • 分类是深度度量学习的强基线

    本文通过评估在多种标准数据集上，对基于分类的参数化训练方法在图像检索领域的有效性和可扩展性进行了分析，进一步提供了样本分类的子采样和数据二值化对实际应用性能的影响。

    Nov, 2018

  • 超越二元监督的深度度量学习

    本文引入了一种基于连续标签的深层度量学习新方法，包括使用连续标签进行三元组损失和适应连续标签的三元组挖掘策略，同时实验结果显示该方法在三种不同的图像检索任务中表现出较优异性能。

    Apr, 2019