面向形状偏向的领域通用无监督表示学习
本研究旨在将自适应方法应用于不同领域中的对象识别任务。通过受监督的信号和自监督的信号来学习和合并知识,扩展模型对数据的理解并提高分类任务的准确性。经过多次实验验证,本方法相较之前的方法在域通用性和适应性上具有更好的效果。
Mar, 2019
本研究提出一种对物体在不同域中的识别问题采用监督学习和自监督学习方法相结合的多任务学习算法,通过学习对象形状,掌握空间定向和部件相关性等概念,证明该算法在域通用和适应性方面具有较高的竞争力。
Jul, 2020
本研究提出了一种新颖的形态感知元学习框架来解决深度学习方法在多领域数据中的域泛化问题,特别是在缺乏形状完整性和边界模糊性的情况下增强了模型的泛化性能来对抗领域偏移。实验表明,本方法在前列腺 MRI 图像分割中的性能在六个不同机构数据的分布偏移中均优于现有的许多基准方法。
Jul, 2020
本文提出了一种基于层次生成方法和变分自编码器的无监督领域泛化算法,能够在不受领域特定信息约束的情况下学习表征并在多种领域设置下优于先前提出的领域泛化算法和现有的其他非生成式方法。另外,作者还提出了基于 ELBO 的模型选择和弱领域监督算法。
Jan, 2021
本论文介绍了一种无监督学习方法,将三维形状信息嵌入到单视图图像表示中,通过使用单个 2D 图像的自监督训练目标,在没有人工语义标签的前提下,鼓励表示捕捉基本形状原语和语义规律,最终学习得到一个强大的表示方法,可以成功进行物体识别和 “心理旋转” 操作,成果优于相对应的其他无监督学习方法。
Sep, 2017
基于形状先验的半监督学习方法通过使用形状模型,只需要少量的实际或合成形状数据,从而实现与全面访问训练数据的监督方法相媲美的结果,并在三个数据集上优于预训练的有限领域特定训练数据的监督模型。
Sep, 2023
通过对自监督学习在卫星图像等各个领域的实验发现,旋转任务是语义最具意义的,而 Jigsaw 和 Instance Discrimination 的性能很大程度上归因于它们诱导分布的特性,但在细粒度分类等任务上所有任务的表现均不佳,这些成功和失败的原因通过对预训练泛化、随机标签和隐含维度的研究进行了定量和定性的诊断。
Apr, 2020
本论文提出了基于领域自适应的方法,将无监督训练样本中的领域信息作为辅助信息,采用学习的鉴别性领域嵌入构建领域自适应模型,用于即使在未见过领域上的预测任务。该方法在各种领域泛化基准上均实现了最先进的性能,并引入了首个现实世界的大规模领域泛化基准 Geo-YFCC,相对于现有的方法,该基于领域自适应的方法在该数据集上实现了显着的优化。
Mar, 2021
本文研究单一领域通用的医学图像分割问题,提出了一种利用领域间不变的形状先验信息和测试时的适应策略以提高模型通用性的方法,并在两个医学图像分割任务上进行了广泛实验验证。
Jun, 2022