ICCVAug, 2019

基于记忆的邻域嵌入用于视觉识别

PDF
TL;DR本文提出了一种记忆邻域嵌入方法（Memory-based Neighbourhood Embedding，MNE），其将邻域信息考虑进卷积神经网络（CNN）特征嵌入，通过增加体现输入图像相关性的记忆模块并使用一个树状图形式的邻域结构来聚合邻域信息以获得更为判别性的嵌入；该方法在图像搜索和少样本学习任务上得到应用，表现出较高性能。
visual recognitioncnn feature embeddingsmemory-based neighbourhood embeddingneighbourhood informationfew shot learning
发现论文，激发创造
  • 网络嵌入的联想学习

    本文介绍了一种利用 Hopfield Networks 进行联想学习的网络嵌入方法，通过节点内容和其邻居之间的关联来构建记忆，使用神经网络的循环动力学来恢复掩盖的节点以进行节点分类和链接预测，并与传统矩阵分解和深度学习方法进行了比较。

    Aug, 2022

  • EMPNet: 使用嵌入式记忆点的神经定位与建图

    本文研究了使用内存模块进行环境表示的方法，其中包括利用卷积神经网络提取点嵌入并将其刚性对齐，从而提高智能体的自主能力和准确性。

    Jul, 2019

  • 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

  • 记忆增强图神经网络：来自神经科学的视角

    本文全面回顾了增强记忆的图神经网络的现有文献，并通过心理学和神经科学的视角进行了分类和比较，提出了一些批判性的讨论和未来方向。

    Sep, 2022

  • 条件网络嵌入

    本文介绍了一种新的条件网络嵌入方法，使用贝叶斯方法进行实现，本方法可以在一些网络结构较为复杂的情况下提高嵌入方法的表现，适用于网络的链接预测、多标记分类等任务，并且不增加计算复杂度。

    May, 2018

  • 混合矩阵图神经网络：建模邻域特征分布

    本文提出了一种基于 Mix-Moment Graph Neural Network（MM-GNN）的新型 GNN 模型，通过多阶矩来建模邻居特征分布，并采用 Element-wise 注意力机制加权重要矩来更新节点表示，相比于现有的最先进的模型，MM-GNN 表现更为出色。

    Aug, 2022

  • 邻域关系编码的自监督表示学习

    本文提出了一种新颖的自监督表示学习方法，通过利用训练数据中的邻域关系编码来保留样本之间的联系并获得具有自主监督的判别性和无监督的表示学习方案。该方法不需要强制注释且适用于不同计算机视觉任务，包括分类、检测和分割等。此外，在对抗性攻击防御和视频异常检测等应用中，该方法的自编码能力也能发挥较好的作用。实验结果表明，该方法在每个特定应用场景下与最先进的方法相比性能更好或至少不逊色。

    Aug, 2019

  • 随机聚类嵌入

    本文提出了一种基于邻域嵌入的新型集群可视化方法，使用非归一化 Kullback-Leibler 散度和缩放参数以进一步优化数据聚类的可视化效果。

    Aug, 2021

  • 提升图表示学习的邻居级信息交互编码

    通过在信息汇总和更新阶段增加邻居级别的信息交互编码，提升了图表示学习的性能，并在四个高需求任务中取得了最新的技术成果。

    Apr, 2024

  • 内容增强网络表示学习的通用框架

    本文研究网络嵌入的问题，提出了内容增强网络嵌入 (CENE) 的方法，该方法能够联合利用网络结构和内容信息，并通过将内容信息视为特殊节点来将文本建模和结构建模集成在一个通用框架中，试验结果表明，该模型在节点分类应用中胜过其他所有现有的网络嵌入方法，充分证明了内容信息和联合学习的优点。

    Oct, 2016