AAAIFeb, 2021

为无监督视觉表示学习训练一百万类别的实例分类器

PDF
TL;DR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。
unsupervised visual representation learninginstance-level classifierlarge-scale trainingcontrastive priorinstance discrimination
发现论文，激发创造
  • 非监督视觉特征学习的参数化实例分类

    该研究提供了一种用于无监督视觉特征学习的参数实例分类（PIC）方法，通过适应状态 - of-the-art 方法的常见组件设置，PIC 框架可以像 SimCLR 和 MoCo v2 一样有效，并且引入了解决 PIC 中实例访问过于稀疏的滑动窗口数据调度器和负采样和权重更新校正方法。

    Jun, 2020

  • 非参数样例级别判别的无监督特征学习

    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

  • 弱监督对比学习

    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

  • 对于全幅图像分类，重新考虑多实例学习：你只需要一个良好的实例分类器

    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

  • Unicom: 用于图像检索的通用紧凑表示学习

    本文研究了图像检索方法中预训练模型的应用，提出了一种基于 CLIP 模型从联合文本和视觉特征提取像素类描述符的方法，采用部分原型随机选择以及特征维度随机选择的方法来提高特征表示和冲突鲁棒性，最终在多个基准测试中取得了超过现有方法的性能表现。

    Apr, 2023

  • 自我调节视觉子类学习与共享样本的增量方法

    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

  • 利用无标签示例增强少样本图像分类

    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

  • SCAN：无需标签学习图像分类

    本文提出一种两步法的图像无监督分类方法，通过自我监督学习获取具有语义意义的特征，然后将其作为可学习聚类方法的先验，达到优化图像聚类的效果。实验证明，该方法大幅优于现有最先进方法，并在大规模图像分类数据集 ImageNet 上取得了有希望的结果。

    May, 2020

  • 全卷积多类多实例学习

    本文提出了一种利用多实例学习（MIL）方法进行多类语义分割的学习的新算法，只需要通过图像级标记进行训练，同时采用全卷积网络来优化细分标签的分配。实验结果表明，该方法在 PASCAL VOC 数据集的分割挑战任务中有良好的表现。

    Dec, 2014

  • 深度表示学习的无监督图像分类

    本研究提出了一种无监督图像分类框架，旨在通过不使用嵌入聚类来简化和优化深度聚类算法，并在 ImageNet 数据集上进行了实验。同时验证了其在多标签图像分类，目标检测，语义分割等任务的泛化性，以及其在迁移学习中的有效性。

    Jun, 2020