非监督视觉特征学习的参数化实例分类
该研究提出了一种简单的无监督视觉表示学习方法,使用参数化的实例级分类器来区分数据集中的所有图像作为前提任务。这种方法解决了大规模训练的困难,并提供了一种相似度先验,以在多个视觉任务中实现了竞争性的性能表现。
Feb, 2021
本文提出了一种基于对比学习和原型学习的实例级 MIL 框架,旨在有效完成实例分类和包分类任务,并提出了通过原型学习生成精确伪标签的方法。在四个数据集上的广泛实验和可视化证明了我们方法的强大性能。
Jul, 2023
本文提出了一种增量学习方法,将聚类和分类步骤统一在单个算法中,以发现在规则化风险最小化框架下的最大视觉子类,这可在计算机视觉任务的语义类别中增加对外观不同的视觉子类的识别,同时发现 DPM 等物体检测方法无法利用这些视觉子类中的 50% 的训练样本。
May, 2014
该研究提出了一种新的基于聚类的无注释语义分割框架,其将聚类从图像拓展到像素,并提出了一种利用几何一致性的归纳偏置来学习不变性和等变性,并应用于学习高级语义概念的方法,能够通过像素级特征聚类来实现对物品和场景的语义分割,并能更好地初始化标准的监督式训练。
Mar, 2021
本文介绍了一种名为 PICI 的新型深度图像聚类方法,通过部分信息辨别和跨层级交互在联合学习框架中进行。通过使用 Transformer 编码器作为骨干网络,我们形成了具有两个并行增广视图的蒙版图像建模。从通过 Transformer 编码器从蒙版图像中导出的类别标记开始,我们进一步融入了三个部分信息学习模块,包括通过蒙版图像重构训练自动编码器的 PISD 模块、使用两个层次的对比学习的 PICD 模块,以及相互交互的实例级和群集级子空间之间的 CLI 模块。我们在六个真实世界的图像数据集上进行了大量实验,结果表明所提出的 PICI 方法在深度聚类方法方面具有优越的聚类性能。源代码可在此 https URL 找到。
Jan, 2024
该论文提出了一种无监督聚类方法,利用神经网络从未标记的数据样本中学习,通过最大化相互信息来发现准确匹配语义类的聚类,可应用于图像分类和分割等数据集。
Jul, 2018
提出了一种基于弱监督对比学习的框架 (WCL),该框架使用两个投影头进行正则的实例区分任务,一头使用基于图形的方法找到相似的样本并生成弱标签,另一头使用这些弱标签进行有监督的对比学习任务,以拉近相似图像之间的距离。WCL 旨在解决现有对比学习框架中的类冲突问题,并在不同的数据集上提高了自监督表示品质,尤其是在半监督学习中达到了新的最优结果。
Oct, 2021
PaPi 是一种基于线性分类器和原型分类器的简单框架,用于处理部分标签学习任务,通过显式地鼓励表征反映类别间的视觉相似性,以在表示学习中提高性能并促进标签消歧,并已在各种图像分类任务中比其他 PLL 方法表现更优。
May, 2023
我们提出了一种用于少样本图像分类的传导元学习方法,结合了经过正则化的马氏距离软 k-means 聚类过程和修改后的最先进的神经自适应特征提取器来使用未标记数据提高测试时间分类准确性,我们在 Meta-Dataset、mini-ImageNet 和 tiered-ImageNet 基准测试上取得了最先进的性能。
Jun, 2020