IJCAIMay, 2020

主动度量学习的批量解相关

PDF
TL;DR本研究提出了一种针对三元组相似性评估的参数模型距离度量的主动学习策略，通过平衡信息性和多样性，该方法可以去相关化批处理的三元组，使选择每个标准的启发式方法脱钩，并证明该方法在实验中表现良好。
发现论文，激发创造
  • 使用辅助信息的主动感知相似度建模

    本研究提出一种新的主动学习算法，该算法从外部数据中找出最具信息量的三元组比较方式；实验表明该方法需要远少于传统方法的三元组比较数量即可达到同等效果。

    Nov, 2015

  • 深度度量学习中分享有助于泛化

    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

  • 超越二元监督的深度度量学习

    本文引入了一种基于连续标签的深层度量学习新方法，包括使用连续标签进行三元组损失和适应连续标签的三元组挖掘策略，同时实验结果显示该方法在三种不同的图像检索任务中表现出较优异性能。

    Apr, 2019

  • 使用代理实现无需繁琐的距离度量学习

    使用 proxy 点的三元组损失函数能够更快速地优化距离度量学习，提高零样本学习数据集的精度至多 15％，且比其他三元组损失函数的收敛速度块 3 倍。

    Mar, 2017

  • 基于比较的学习的提升算法

    本文提出了 TripletBoost, 一种在比较基础上学习分类器的方法，可适用于任何度量空间数据并仅使用被动获得和带噪声的三组信息处理大规模问题，同时具备良好的理论推广性能和抗噪能力。

    Oct, 2018

  • 学习深度度量学习中的批内关联

    本研究提出了一种基于信息传递网络的方法，能够考虑 mini-batch 中全部样本之间的关系，通过加入注意力机制，使得样本能够在信息传递中自行确定重要性，该方法在 CUB-200-2011、Cars196、Stanford Online Products 和 In-Shop Clothes 数据集上取得了最佳效果。

    Feb, 2021

  • 深度度量学习的弱监督自适应三元组损失函数

    该研究提出一种弱监督自适应三元组损失方法来解决视觉相似性搜索中的距离度量学习问题，通过使用弱标记的产品描述数据来隐式地确定细粒度语义类别，从而提高了学习图像嵌入模型的泛化能力，并在 Amazon 时尚检索基准和 DeepFashion 店内检索数据集上实现了优于当前最先进模型的性能。

    Sep, 2019

  • 去噪多相似度公式：鲁棒性度量学习的自适应计划驱动方法

    本文提出了基于自适应采样的均衡自适应度量学习（BSPML）算法，该算法采用去噪多相似度计算，并将噪声样本作为极其困难的样本，并根据样本权重自适应删除样本以提高模型的稳健性和泛化能力。

    Nov, 2022

  • 深度度量学习在人体动作分析中的应用

    本文提出了一种基于三元组架构和最大均值差异的新型度量学习目标，以及一种基于关注机制的递归神经网络的新型深度体系结构，以解决传统方法无法捕捉人体运动数据跨动作的语义联系的问题。实验证实，该方法在两组不同数据集上相对于传统人体运动度量学习有效提升。

    Jul, 2018

  • 提高协同度量学习效率的负样本采样优化

    本文提出了一种针对距离度量学习的负采样策略，在推荐方面获得了不错的准确度和普及性偏差表现。该策略使得 CML 模型即使在批处理大小比默认采样策略需要的批处理大小小一个数量级的情况下，仍然能够高效地工作。

    Sep, 2019