Mar, 2020

DeepEMD: 可微分的地球移动距离用于少样本学习

PDF
TL;DR本文提出了使用 Earth Mover's Distance（EMD）等方法进行 few-shot 图像分类的新视角，并介绍了一种交叉引用机制来处理复杂背景和外观变化的图像。我们还展示了本算法在五个广泛使用的 few-shot 分类基准数据集上优于现有技术的实验结果，并在图像检索任务上展示了本方法的有效性。
few-shotimage classificationearth mover's distance (emd)matching flowscross-reference mechanism
发现论文，激发创造
  • 高亮度 LHC 数据压缩的可微分 EMD

    本篇论文研究如何训练卷积神经网络以学习可微分、快速的 EMD 近似函数，用于高亮度 LHC 的粒子探测器数据压缩，证明与基于均方误差的损失函数相比，使用可微分的 EMD CNN 进行训练的编码器神经网络表现更优。

    Jun, 2023

  • DeepEMD：一种基于 Transformer 的快速估计 Earth Mover's Distance

    提出了一种基于注意力模型的训练损失的准确估算方法，用于生成模型并使用 Earth Mover's Distance 作为损失函数，并提供了使用该模型进行海量点云推断的显著性能提升。

    Nov, 2023

  • 低复杂度数据并行的地球移动距离近似算法

    本研究提出了一种基于数据并行的 Earth Mover's Distance 近似算法，具有线性时间复杂度以及适用于高维空间和高重叠概率分布的优势，在文本和图像领域中取得了较高的近似精度。

    Dec, 2018

  • 扩散地球移动距离与分配嵌入

    本文提出了一种计算大规模相关高维数据集之间的距离的快速方法，称为扩散地球移位距离（Diffusion Earth Mover's Distance）。通过建模数据集为分布并计算相互作用矩阵来实现，该方法的时间复杂度为 O (n)，并且比基于树的算法更加准确和可微分，适用于深度神经网络等梯度下降框架。实验通过 210 个 COVID-19 样本的单细胞数据表明该方法比同等精确度的方法至少快两个数量级，且可以嵌入更高层次的患者流形中揭示患者间的结构和异质性，并可适用于其他医学和生物模型中大规模数据集的距离计算。

    Feb, 2021

  • 基于平方地球移动距离的深度神经网络训练损失

    本研究提出将 Wasserstein 距离应用于单标签分类，以考虑现实任务中存在的类别间联系，并表明该方法在具有明显类间关系的数据集上表现出最新的最优结果。

    Nov, 2016

  • 基于最近邻搜索的地球移动距离高效近似计算

    使用最近邻搜索来逼近地球移动距离（EMD），以实现高准确性、低时间复杂度和高内存效率；通过 GPU 的向量化进一步加快速度，比现有的近似 EMD 方法在图像分类和检索任务中达到 44 倍至 135 倍的速度优势，同时实现了更好的准确性、加速比和内存效率。

    Jan, 2024

  • DeepFace-EMD: 利用基于块的地球移动距离进行重新排名，提升超领域人脸识别

    该研究提出了一种基于 Earth Mover's Distance 的重排方法，它通过比较图像的空间特征，尤其是每个局部位置的相似度（例如眼睛到眼睛），来提高人脸识别的鲁棒性，进而解决了针对新图像类型的识别问题。

    Dec, 2021

  • 使用正态分布进行地球移动距离的索引

    本文提出了一种使用 Earth Mover's Distance (EMD) 的指数结构来更有效地查询不确定性数据集的办法，借助新的 EMD 下限方法和索引结构来实现 K 个最近邻 (K-NN) 查询，通过将每个分布映射到向量上并将每个正常表示为 Hough 变换空间中的一个点，得到有效的性能提升和查询时间降低。

    Nov, 2011

  • 关于地球移动距离的确定性及其与集合交的关系

    本文通过集合论的解释，从正定核的角度提出了 Earth Mover's Intersection (EMI) 方法，与 Earth Mover's Distance (EMD) 类似，可以有效地解决不同大小的集合的问题。同时，作者提供了一些 EMD 的逼近情况和正定性保持变换等技术，对于计算机视觉任务，使用 EMI 和提出的变换的核优于使用 EMD 的结果。

    Oct, 2015

  • Self-EMD：无需 ImageNet 的自监督物体检测

    本文提出一种新颖的自监督表示学习方法 Self-EMD，用于目标检测。我们直接使用未标记的非图标图像数据集进行训练，而不是像 ImageNet 这样常用的图标对象图像数据集。我们将卷积特征映射保留为图像嵌入，以保留空间结构，并采用地球移动距离（EMD）来计算两个嵌入之间的相似性。我们的 Faster R-CNN（ResNet50-FPN）基线在 COCO 上实现了 39.8％的 mAP，与在 ImageNet 上预训练的最先进的自监督方法相当。更重要的是，它可以在更多未标记图像的情况下进一步提高至 40.4％的 mAP，展示了更易获得的未标记数据的巨大潜力。

    Nov, 2020