提出了一种名为 “backward-compatible training (BCT)” 的框架来训练嵌入模型,它可使不同维度和架构、通过不同损失函数学习的视觉特征具有兼容性,从而实现新计算机制与旧计算机制之间的互换,使视觉搜索系统能够跳过计算所有以前看到的图像的新功能。
Mar, 2020
本文研究了嵌入式版本更新及其向后兼容性问题,并提出了基于学习向后兼容嵌入式的解决方案 BC-Aligner,成功解决了更新嵌入式版本但不需要重新训练消费者模型的问题。
Jun, 2022
我们介绍了一种名为 CLCE 的新方法,将标签感知对比学习与 CE 相结合,通过有效的负样本挖掘增强性能,在少样本学习和迁移学习中使得 CLCE 显著优于 CE。
Feb, 2024
我们提出了具备向后兼容性的一种连续学习人员重识别模型,通过引入跨模型兼容性损失和知识整合方法,实现在连续到来的数据集上训练模型时对先前训练的旧模型的向后兼容性。实验结果表明,与现有方法相比,所提出的方法在向后兼容性方面取得了显着提高的性能,是更实际的人员重识别领域的有希望的工具。
Mar, 2024
本研究提出一种统一的表示学习框架,解决了在视觉搜索应用中交叉模型兼容性(CMC)问题,通过引入轻量级的 RBT 模块和新的训练方案来优化嵌入空间,该方案在各种具有挑战性的视觉搜索情景下,包括面部识别和个人重新识别,均优于先前的方法。
Aug, 2020
提出了 MixBCT,一种简单而高效的反向兼容训练方法,作为适用于不同质量旧模型的统一框架,通过构建单一损失函数实现了反向兼容训练。
Aug, 2023
介绍了在视觉检索系统中,从传统模型更新到新模型需要重新计算所有图片嵌入,所以引入兼容性训练(BCT)的方法,并提出了 Adversarial Backward-Compatible Training(AdvBCT)方法进行对比实验,表明其在兼容性和辨别性方面均优于其他 BCT 方法。
May, 2023
本篇研究针对资源限制下的视觉搜索问题,提出了一种通过生成来自大型模型的画廊嵌入和使用紧凑模型提取查询嵌入的方法来减轻准确性和效率之间难以解决的关系,并通过修改参数和架构来实现嵌入之间的兼容性,从而实现了 80 倍和 23 倍的成本降低,而在 DeepFashion2 和 IJB-C 等挑战性的检索任务中,准确率仅比最佳嵌入模型低不到 0.3% 和 1.6%。
May, 2021
本文介绍了一种基于 continual learning 方法的视觉搜索模型,它可以不断更新模型以处理增量式的图库集,同时不会影响模型的特征空间并且可以适用于新的图像类别。
May, 2022
提出了一种混合零样本学习框架,将生成模型与嵌入模型相结合,采用对比嵌入技术进行分类,解决了数据不平衡问题,实验结果表明,在五个基准数据集上,该方法优于现有技术。
Mar, 2021