PADS:面向视觉相似度学习的策略适应采样
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
本文提出一种新颖的视觉表达学习方法,使用语言相似性来对比学习语义相似的图像对,通过对比语言的相似性来采样图像视图对,避免手工增强和学习聚类。我们的方法通过预训练语言模型来引导学习,显示出比基于图像和图像 - 文本表征学习方法更好的特征。
Feb, 2023
本论文旨在探究在不需要额外注释或训练数据的情况下,如何学习图像相似性的特征。通过构建一种新的三元组采样策略,实验结果表明,该方法可以显著提高深度度量学习的性能,并在各种标准基准数据集上实现了新的最优结果。
Apr, 2020
本文提出了一种利用局部相似性的弱估计,通过单个最优化问题提取具有一致性关系的样本批次,将视觉相似性学习作为分类任务的序列,并使 CNN 巩固群体内和群组间的传递性关系,学习所有样本的单个表示。
Feb, 2018
本文提出一个数学模型以创造具有代表性的数据来解决机器学习模型在非代表性数据集上产生的问题。我们将数据集创建问题形式化为一个约束优化问题,并提出了一种灵活的方法,它包含模型构建者和其他利益相关者的偏好,以及学习任务的统计特性。此外,我们证明,在一定条件下,即使没有关于学习率的先前知识,该优化问题也可以高效地求解。通过在合成基因组数据上进行的模拟研究,我们发现我们提出的自适应采样策略优于多种常用的数据收集启发式算法,包括等量和比例采样,并证明了通过策略数据集设计构建公平模型的价值。
Jan, 2022
通过研究三元组采样和 crowdsourcing UI 的影响,提出了一种成本效益更好的人工智能任务方法,以帮助机器学习和计算机视觉领域中的嵌入问题。
Apr, 2014
本论文提出了一种基于神经网络的推荐框架,该框架可以包含用户 - 物品交互信息和多种内容信息,提出了三种新的采样策略来改善框架的训练效率和推荐性能,并对计算成本和收敛性进行了理论分析。
Jun, 2017