学习相似条件无需显式监督

ICCVAug, 2019

Learning Similarity Conditions Without Explicit Supervision

Reuben Tan, Mariya I. Vasileva, Kate Saenko, Bryan A. Plummer

TL;DR提出一种联合学习多个相似性条件的表示及其贡献的潜变量的方法，能够有效地处理图片比较问题并兼顾泛化能力。

Abstract

Many real-world tasks require models to compare images along multiple similarity conditions (e.g. similarity in color, category or shape). Existing methods often reason about these complex similarity relationships by learning condition-aware embeddings. While such embeddings aid models

image comparison similarity conditions embedding learning latent variable approach generalization

发现论文，激发创造

时尚配合的半监督视觉表示学习

本文提出了一种半监督学习方法，其中利用大型未标记时尚语料库来在训练期间动态创建假正向和假反向服装，通过提出的一致性规则来确保原始图像和其转换的表示是一致的，实现多属性的学习，在 Polyvore、Polyvore-D 和新建的大规模时装套装数据集上进行了实验，并表示，该方法拥有与完全监督方法相当的预测性能。

Sep, 2021

通过语义匹配识别模糊相似的情况

这篇研究论文提出了一种基于弱监督条件相似性学习（WS-CSL）的新型评估准则，结合 Distance Induced Semantic Condition Verification Network (DiscoverNet) 用于图像语义比较，全面覆盖潜在语义以达到最先进的性能。

Apr, 2022

为时装兼容性学习类型感知嵌入

该论文提出了一种学习图像嵌入的方法，以尊重物品类型，并联合学习物品的相似性和兼容性。通过在 Polyvore 网站上爬取用户创建的 68,306 个配装数据集，该方法在配装兼容预测和填空任务中取得了 3-5％的改进，支持各种有用的查询。

Mar, 2018

学习潜在 "外貌": 从时尚图像中无监督发现风格一致的嵌入

提出了一种基于概率多语言主题模型的无监督方法来发现一组潜在的风格因子，进而通过混合这些因子来对时尚图片进行风格总结，并无需任何风格标签，从而可以根据风格来组织衣服图库。

Jul, 2017

共享多模态嵌入的无监督图像字幕生成

通过共享的、结构化的视觉概念潜在空间，将图像特征转化到语义向量嵌入空间中，并使用同一语言模型将其解码为场景描述，无需明确监督来了解图像；这种转化借助于暴露于图像 / 标题数据分布之外的大型文本语料库，并且具有鲁棒性。

Aug, 2019

使用异构二元共现学习视觉服装风格

本研究提出了一种新的学习框架，通过使用 Siamese Convolutional Neural Network 从不同品类的物品图像中学习特征转化，进而发掘不同物品之间的兼容性。研究人员使用来自 Amazon.com 的协同购买数据来建立兼容性模型，并引入了一种新的训练数据采样策略，以学习跨品类匹配知识，该研究的实验结果表明，提出的学习框架能够学习关于外观风格的语义信息，并能够生成适合混搭的衣物组合。

Sep, 2015

条件相似网络

本篇论文提出了一种称为 “条件相似性网络” 的方法，用于学习分离式嵌入，不同的相似性概念被编码在不同的语义子空间，并用于解决多个不同相似性概念的问题。

Mar, 2016

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

基于弱监督的条件嵌入用于参考视觉搜索

本文介绍了一种新的图像相似性搜索方法，包括引用视觉搜索 (RVS) 概念、推出面向此任务的新数据集 - LAION-RVS-Fashion、利用弱监督学习方法来学习条件嵌入等方法可以达到良好实验效果。

Jun, 2023

对比无监督表示学习的理论分析

本文提出了一种理论框架以分析对比学习的算法，并引入潜在类别假设，该框架使我们能够在平均分类任务上证明学习表示的性能。同时，该文还表明，学习表示可以降低下游任务的（标记）样本复杂度。

Feb, 2019