深度度量学习的对称合成
本研究提出了一种名为 Proxy Synthesis 的正则化方法,旨在加强深度度量学习中的强泛化能力,尤其关注于构建同时适用于已知和未知类别的嵌入空间,其中包含了合成嵌入和代理的相关性及其对于合成类的模拟能力,并通过类关系和平滑决策边界,进一步实现对于未知类别的鲁棒性。实验证明该方法可以极大提升基于代理的模型的性能,并达到了最先进水平。
Mar, 2021
本文提出了一种在嵌入空间中进行度量学习损失的数据增强方法,即嵌入式数据增强方法,该方法结合检索扩展和数据库增强的思想,通过生成合成点来获得增强的信息。此方法与现有的度量学习损失相适应,且不影响模型大小、训练速度或优化难度,其与代表性度量学习损失相结合,在图像检索和聚类任务中优于现有的损失和样本生成方法。
Mar, 2020
本文提出了一种硬度感知的深度度量学习(HDML)框架,通过利用线性插值对嵌入空间进行自适应调整,生成相应的保留标签合成数据进行回收训练,以充分利用所有样本中 buried 的信息,从而使度量始终面对适当的困难程度。实验结果表明,本方法在 widely used 的 CUB-200-2011、Cars196 和 Stanford Online Products 数据集上表现出极具竞争力的性能。
Mar, 2019
本文提出了一种新颖的深度度量学习方法,该方法将三元组模型和嵌入空间的全局结构相结合,依赖于智能挖掘过程以在低计算成本下产生有效的训练样本,通过自适应控制器来加快训练过程的收敛速度,并在实验证明相比其他竞争挖掘方法,我们的方法可以更快地进行更准确的三元组 ConvNets 训练,同时在 CUB-200-2011 和 Cars196 数据集上实现了最新的嵌入结果。
Apr, 2017
该研究提出了一种自我监督的生成辅助排序框架,以半监督视角获得典型监督深度度量学习的类内方差学习方案,该方法通过样本合成以模拟类内样本的复杂变换,并设计了自我监督学习思想下的类内排名损失函数来捕获微妙的类内变异性,从而增强了下游任务的有效性。实验表明,这种方法优于现有最先进的方法。
Apr, 2023
本文介绍了一种基于 GANs 的新型监督哈希方法 Deep Semantic Hashing,通过针对大规模图像检索任务,利用半监督生成对抗网络在非标注大规模图像数据集和少量标注数据集的基础上生成高质量的综合数据,以此提升哈希搜索技术的效果和精度。实验证明,该方法比当前的深度哈希模型有着更好的效果。
Apr, 2018
本文提出了一种流形匹配方法来生成模型,该方法包括分布生成器和度量生成器,通过学习距离度量来生成符合真实数据流形的样本,并且应用于无监督和有监督学习任务,得到了良好的效果。
Jun, 2021
本文提出了一种用于深度度量学习的新型内类别自适应增广(IAA)框架,通过生成自适应的合成样本来支持难例挖掘并提升度量学习损失,进一步通过邻居校正来修正不准确的估计,通过大量实验验证,它可以使检索性能提高 3% -6% 以上且优于现有的最高水平方法。
Nov, 2022
本文提出了一种特征级方法,即采样合成难负样本用于对比学习(SSCL),以更有效地利用更难的负样本。该方法通过混合负样本生成更多且更难的负样本,然后通过控制锚定样本与其他负样本的对比度的方式进行采样,并且考虑到假负样本的可能性进一步消除了负样本。这种方法提高了不同图像数据集的分类性能,并可以轻松集成到现有方法中。
Apr, 2023
通过采用深度感知相似度测量(DeePSiM)来代替在图像空间中计算距离,我们的研究表明,此类损失函数能够更好地反映图像的感知相似度,从而减少图像平滑问题,并且在自编码器训练、变分自编码器的修改以及深度卷积网络的反演三种应用场景中表现出令人印象深刻的生成结果。
Feb, 2016