CVPRMar, 2021

用共享权重网络的一般化对比学习进行地点识别的优化

PDF
TL;DR研究了 CNN 在视觉地点识别中的应用，提出了一种基于图像相似度的广义对比损失功能（GCL）函数，用于训练 Siamese CNN 并使用改进的注释来实现自动注释和视觉地点识别，实验证明 CNN 在这方面的效果优于目前主流的方法。
visual place recognitionconvolutional neural networksgeneralized contrastive lossautomatic annotationsiamese cnn
发现论文，激发创造
  • 带有分级相似度监督的高效大规模场所识别

    本论文提出了一种改进的视觉定位方法，通过使用连续相似性标签和广义对比损失函数代替传统的二元相似性标签和硬对样本挖掘，使得视觉识别表现得到了明显提升。

    Mar, 2023

  • 基于门控连体卷积神经网络的人体再识别架构

    本文提出了一种用于跨摄像头匹配行人的人体再识别框架，通过引入一个选择性强化细粒度共有的局部模式的门控函数，将同一身份的图像向量嵌入到特征空间中更密集的区域，提高了再识别的性能。在 CUHK03、Market-1501 和 VIPeR 数据集上的实验证明，与基线 Siamese CNN 架构相比，该框架表现更优。

    Jul, 2016

  • 学习测量变化：用完全卷积的孪生度量网络进行场景变化检测

    该论文提出了一种用于场景变化检测的新型完全卷积孪生度量网络 (CosimNet)，采用对比损失来获得更具判别力度量，其中提出了基于阈值的对比损失 (TCL) 来处理由大视点差异引起的多噪音变化。最后将距离度量集成到分割框架中，并通过变化图和特征分布可视化证明了该方法的有效性。

    Oct, 2018

  • 连锁原型对比学习

    本研究提出了一种简单而有效的对比学习框架来解决 Contrastive Self-supervised Learning (CSL) 中样本不足问题，将同一个输入的不同视角拉近，不同输入的视角推远，提高了视觉表征的质量，并在 ImageNet-1K 数据集上表现出了超越完全监督训练版本的性能。

    Aug, 2022

  • 构建更好的对比视图，用于孪生神经网络表示学习

    提出了 ContrastiveCrop，一种用于 Siamese 表示学习的更好对比对的生成方法，该方法采用全无监督方式提出了基于语义的目标定位策略并进一步设计了中心抑制采样来扩大裁剪区域的方差，成功提高了自我监督学习中 SimCLR，MoCo，BYOL，SimSiam 等方法的分类准确率，同时在基于 ImageNet-1K 预训练的下游检测和分割任务上取得了优异的结果。

    Feb, 2022

  • 通过优化全局损失函数学习具有深度连体和三元卷积网络的局部图像描述符

    本文提出了使用三元组网络和全局损失函数来学习本地图像描述符的方法，使用 UBC 基准数据集进行比较，结果表明在减少 UBC 数据集误差方面，三元组网络比 Siamese 网络更准确，并且三元组和全局损失函数的组合是最佳的。最后，本文还展示了在 UBC 数据集上使用全局损失的中心 - 环绕 Siamese 网络的表现最好。

    Dec, 2015

  • 具有广义对比损失的半监督对比学习及其在说话人识别中的应用

    介绍了一种半监督对比学习框架，应用于无文本说话人验证，通过广义对比损失，将监督度量学习和无监督对比学习统一，从而自然地确定了半监督学习的损失。在 VoxCeleb 数据集上进行实验，演示了 GCL 使得听众嵌入在三种方式下学习，监督学习、半监督学习和无监督学习，而不需要更改损失函数的定义。

    Jun, 2020

  • SCNet：学习语义对应性

    本文提出了 SCNet，一种基于卷积神经网络的语义对应的几何合理模型，利用区域提议实现匹配原语，并明确将几何一致性纳入其损失函数中，该方法在多项基准测试中均表现优异。

    May, 2017

  • 基于邻域排序的图像软对比学习

    本文提出了一种新的图形无监督学习方法，名为 Graph Soft-Contrastive Learning (GSCL)，它能够通过邻域排序进行自我监督学习，而无需依赖于二元对比设置，并且还提出了 GSCL 所需的成对和列表式门控排名 infoNCE 损失函数，以保留邻域中的相对排序关系。

    Sep, 2022

  • 跟踪学习：用孪生卷积神经网络进行强健的目标关联

    本文提出一种新颖的数据关联方法，通过引入一个两阶段的学习方案来匹配检测对，第一阶段使用 Siamese 卷积神经网络来学习编码两个输入图像 patch 之间的局部空时结构描述符。第二阶段使用由比较的输入 patch 的位置和大小导出的一组上下文特征，通过梯度提升分类器与 CNN 输出结合来生成最终匹配概率，表明即使简单高效的跟踪器也可能在我们学习的匹配概率上表现优异，已公开可用的序列结果表明我们的方法达到了多人跟踪的最新标准。

    Apr, 2016