在 VAEs 中捕获标签特征
本文提出了一种特征提取算法和特征标注的多领域图像特征数据集,该算法结合了变分自编码器和胶囊网络,并使用层次解码数据来自动从其他未见领域的数据中生成洞见。同时,创建了一个新的数据集,旨在为未来的细粒度特征识别任务引入一个新的基准。
Oct, 2022
本研究探讨了在胸部 X 射线(CXR)图像的学习中使用 Dirichlet 变分自编码器(DirVAE)来学习分离的潜在表示。通过对多标签分类任务的执行, DirVAE 模型学习的多模态潜在表示的预测能力得到了研究,结果表明 DirVAE 能够分离具有类特异性的视觉特征,这是 GVAE 所没有的,同时相对于 GVAE 有较小的性能提高。
Feb, 2023
本文研究无监督学习方法,通过提出基于 PatchVAE 的中层样式表述表示,结合小图像块的处理,以此来提高自动分类识别任务的精度表现。实验结果显示,相比传统的 VAEs 方法,本文的方法取得了更好的识别性能和效果。
Apr, 2020
本论文介绍了一种新的高阶关联学习框架 “HOT-VAE”,用于多标签分类,通过实验证明其优于现有的其他方法,可应用于多领域的真实世界数据集,并且涉及物体之间的复杂关系,特别适用于鸟类分布数据集的生态学指标。
Mar, 2021
本文介绍了一种结合对比学习和深度生成模型的对比变分自编码器 (cVAE),旨在通过训练共享特征和不同特征的模型来发现和增强突出的潜在特征。实验表明,cVAE 可以有效地发现在特定分析中显著的潜在结构。
Feb, 2019
本篇论文提出了一种基于变分自动编码器框架的概念模型,其设计旨在具有诸如分解的概念域等吸引人的属性,同时可以从数据中进行学习;该模型被称为 “概念 VAE”,能够从简单的彩色形状图像及其对应的概念标签中学习可解释的概念表示,并可用作概念分类器。同时,将该模型从标签少的实例中进行学习来进行适应,最后用高斯分布统计方法对模型进行形式化建模,并与 Gardenfors 的概念空间理论相关联。
Mar, 2022
通过构建高斯混合变分自编码器,基于对比学习构建了一个多标签预测模型,利用数据驱动方式有效挖掘标签信息和增强预测能力,且通过学习特征和标签的潜在空间实现了更好的性能,适用于多个公共数据集。
Dec, 2021
本文介绍了一种基于自标记变分自编码器(SLCVAE)的方法,以解决 CVAE 模型中 KL-vanishing 问题,提高文本生成多样性。同时,提供了一个大型本地一对多数据集,支持此方法的研究。
Mar, 2019
通过 Seq-CVAE 模型,学习每一个单词位置的潜在空间,并仿照一个将来总结的表示来鼓励这个时间上的潜在空间捕捉如何完成句子的 “意图”,并在 MSCOCO 数据集上表现出了显著的多样性改进指标,同时在句子质量方面达到了同等水平。
Aug, 2019