利用辅助旋转损失进行无监督的深度度量学习
本文提出了一种无监督方法,使用基于图的聚类方法获取数据的伪标签,并使用三元组来引导度量学习,使用概率损失来最小化违反角度约束的几率,从而实现无需使用类标签的度量学习。研究表明,该方法具有竞争力,并对该方法的不同组成部分进行了全面研究。
Aug, 2020
无监督深度度量学习通过仅使用无标签数据来学习语义表示空间,其中准确估计数据点之间的相似度是一个具有挑战性的问题。为此,我们提出了使用分段线性逼近来建模高维数据流形的方法,其中每个低维线性段近似于点周围小邻域内的数据流形。通过这些邻域来估计数据点之间的相似度。实验证明,与现有最先进技术的相似度估计相比,我们的方法更好地与真实情况相关。我们还证明,在无监督环境中可以使用代理模型分段线性流形,从而提高性能。我们的方法在标准零样本图像检索基准测试上优于现有的无监督度量学习方法。
Mar, 2024
本文提出了一种基于深度度量嵌入的半监督学习算法,利用少量标注数据和无标注数据的相对距离关系约束,得到在欧氏空间内区分力强的分类器,并可用于基于最近邻分类的应用。
Nov, 2016
该研究提出了一种基于变换后的注意力图的无监督深度度量学习方法,通过学习图像在比较中产生的视觉注意图的一致性,使用孪生深度神经网络对图像及其变化或匹配对进行编码和比较,并采用三元损失和对比聚类损失来增强生成特征的跨类别差别能力,实验结果表明该方法在无监督度量学习方面的表现超越了当前的最先进方法。
Aug, 2020
本文提出了一种新的由两个独立模型构成的度量学习结构 Guided Deep Metric Learning,通过使用 Few-Shot Learning 的角度来生成一个基于带标签数据的先验知识的减少的假设空间,之后通过离线的知识蒸馏方案来指导或规则化学生模型的决策边界,提高在分布偏移下的一般化,并获得了高达 40% 的 (Recall@1, CIFAR10) 改进。
Jun, 2022
提出了一种学习跨多个不同领域数据集应用的传输度量的框架,在使用基于嵌入空间的指定聚类的情况下,在少量训练集和浅层网络的情况下,我们在多个变量复杂度的数据集上实现与最新技术水平相当的结果。
Feb, 2023
本文提出了一种新的自学习框架用于无监督度量学习,该框架通过交替预测数据之间的类等价关系和利用预测的关系作为伪标签来学习模型。其中的算法能够有效地进行端到端的训练,因为它不需要伪标签的现成模块。通过在标准的度量学习基准上的表现,它明显优于现有的无监督学习方法,有时甚至比使用相同基础网络的监督学习模型更好。它也被应用于半监督的度量学习,并通过提高监督学习的性能,实现了现有最先进的表现。
May, 2022
本文提出了 CDMLMR 方法,该方法以多任务正则化的方式融合四元组排名损失和半监督对比损失,用于建模跨模态语义相似性;与现有方法相比,该方法不仅利用了相似性排名信息,还利用了未标记的跨模态数据,从而提高了跨模态检索准确性。
Mar, 2017
提出了一种无监督聚类框架,使用深度神经网络进行端到端的学习,从而直接对图像进行聚类分配,同时通过自我监督任务来获得更有意义的图像特征表示,实验结果表明,该方法在六个具有挑战性的基准测试中取得了优异的成果。
Dec, 2019