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
通过非监督学习方法学习新的特征表示方法,有效地捕捉图像实例之间的相似性,并在 ImageNet 分类中取得了卓越的表现。
May, 2018
本文提出了一种语义对比学习的方法(SCL),将距离的聚类结构引入到无标注数据的特征空间中,并通过优化实例视觉相似性和聚类决策边界的一致性来推理出语义上的实体类别,以在发现未知类别决策边界方面具有显着优势。实验证明,SCL 在六个物体识别基准测试中优于最先进的对比学习和深度聚类方法,尤其是在更具挑战性的精细和较大的数据集上。
Mar, 2021
本研究提出一种基于深度学习的表示学习方法,采用实例区分和特征装饰来提高聚类的效果,在 CIFAR-10 和 ImageNet-10 数据集中进行了实验,分别获得了 81.5% 和 95.4% 的准确率。
May, 2021
用反映关键性的自监督学习方法 CLLD 增强车道检测模型对导致车道低可见度的真实环境条件的抵御能力,并在光照阻碍等可见度受损的条件下优于最先进的对比学习方法,尤其在阴影等情况下表现出色。
Aug, 2023
该论文提出了 SCCL 框架,使用对比学习来帮助无监督聚类,有效提升类别间距离,进而在短文本聚类中达到更好的结果。研究表明,SCCL 能够显著提高精度和归一化互信息,同时有效结合自下而上的实例判别和自上而下的聚类来实现更好的聚类效果。
我们介绍了一种 Label-Aware SCL 方法,通过利用类别之间的相似性,将层次信息融入到 SCL 中,从而创建一个更结构化和具有辨别性的特征空间,实现了更好的文本分类性能。
Jan, 2024
本研究提出了一种名为 NCL 的新框架,旨在学习具有判别性的表示,从而创建一个用于聚类性能的新类别发现(NCD)任务,其中,利用特征提取器生成的表示来检索和聚合伪正对,虽然大多数实例很容易通过网络进行区分,但我们通过在特征空间中混合标记和未标记的样本来生成难以区分的样本。实验证明,这两个组成部分显著提高了聚类性能,并使我们的模型在 CIFAR-100 和 ImageNet 上的聚类准确性提高 13%和 8%,远远超过现有方法。
Jun, 2021
本文提出了一种名为 ConClu 的通用无监督方法,它通过联合使用点级聚类和实例级对比来实现点和全局特征的学习。实验评估结果表明,该框架在 3D 物体分类和语义分割等下游应用方面具有很好的性能,可以胜过现有技术。
Feb, 2022
本文提出了一种理论框架以分析对比学习的算法,并引入潜在类别假设,该框架使我们能够在平均分类任务上证明学习表示的性能。同时,该文还表明,学习表示可以降低下游任务的(标记)样本复杂度。
Feb, 2019