主动度量学习的批量解相关
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 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
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
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
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
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
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
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