LoOp: 搜索最优硬负嵌入以进行深度度量学习

ICCVAug, 2021

LoOp: 搜索最优硬负嵌入以进行深度度量学习

LoOp: Looking for Optimal Hard Negative Embeddings for Deep Metric Learning

Bhavya Vasudeva, Puneesh Deora, Saumik Bhattacharya, Umapada Pal, Sukalpa Chanda

TL;DR本文提出一种新方法 —— LoOp 来寻找最佳的 hard negatives，实现在嵌入空间中进行度量学习，与已有方法相比，可以在三个标准数据集上得到更好的性能表现。

Abstract

deep metric learning has been effectively used to learn distance metrics for different visual tasks like image retrieval, clustering, etc. In order to aid the training process, existing methods either use a hard

deep metric learning distance metrics hard negatives embedding space metric learning losses

发现论文，激发创造

研究上下文词嵌入维度对上下文和时间语义变化的影响

词语会随着时间和不同的语境而改变其含义。词语在上下文感知的上下文化词嵌入空间中编码语义变化，在语义变化检测基准中具有卓越性能。本研究通过使用 PCA 和 ICA 转换在预训练的词嵌入和微调后的词嵌入之间进行比较，揭示了几个新的洞察，例如信息如何在嵌入空间中分布和 PCA 能更好地表示语义变化。

Jul, 2024

基于编码率度量的深度度量学习抗塌陷损失

我们提出了一种名为反崩溃损失函数的新方法，该方法通过最大化样本特征或类别代理的平均编码率来提高嵌入空间中特征聚类的稀疏性，以防止特征崩溃并促进模型的泛化性能。与现有的前沿方法相比，我们的方法在基准数据集上进行的综合实验表明，其表现优于现有的最先进方法。大量实验还验证了我们的方法在防止嵌入空间崩溃和促进泛化性能方面的有效性。

Jul, 2024

多阈值深度度量学习的面部表情识别

利用多阈值深度度量学习技术，通过提取不同阈值下的表情特征表示，可以大幅提高面部表情识别准确性。通过将嵌入层划分为一组切片，并采用多阈值深度度量学习算法，每个切片对应一个样本阈值，并通过对应的三元组损失进行学习，从而获得一组独特的表情特征，从而增强面部表情识别的准确性。在多个表情数据集上进行的实验评估显示了该方法的优越性能。

Jun, 2024

深度度量学习驱动的遥感图像检索的标注成本高效主动学习

通过结合度量学习、主动学习以及不确定性估计等方法，提出了一种用于远程感知图像检索的低成本主动学习方法，该方法有效地减少了图像标注的成本，并在两个远程感知基准数据集上取得了显著的实验结果。

Jun, 2024

一种用于衡量图像分割质量的标记数组距离度量

提出了两个新的距离度量，用于比较标记数组。这些度量可用于评估不同图像分割算法的准确性，通过与 'ground truth' 标签进行比较，从而确定哪种算法提供最准确的分割。

Jun, 2024

了解您的邻里：由通话图查找驱动的一般性和零射能力的二进制函数搜索

提出了一种基于图神经网络的二进制代码相似性检测方法，采用了一种新颖的图数据表示方法 —— 调用图集，通过一系列统计特征来编码二进制可执行文件中每个函数周围的邻域，从而捕捉局部和全局上下文。设计了专门的图神经网络模型，学习将图表示映射为编码了语义代码相似性的特征向量。实验结果表明，与基准技术相比，调用图集和新颖的图神经网络架构的结合在跨架构、单架构和零样本任务上取得了最先进的性能。此外，该方法在针对域外函数内联任务进行评估时也表现出色。总体而言，该研究提供了一种通用且有效的基于图神经网络的二进制代码相似性检测解决方案。

Jun, 2024

利用新数据重现旧类别的无示范持续学习

通过对当前样本进行对抗性扰动，使其在嵌入空间中的嵌入接近旧模型的旧类别原型，从而估计无忆样本方法中的特征漂移并相应地进行原型补偿。实验证明，该方法在嵌入空间中更好地追踪了原型的移动并在多个标准连续学习基准测试以及细粒度数据集上胜过了现有方法。

May, 2024

基于势场的深度度量学习

深度度量学习的一篇研究论文通过使用替代方法，建立了一个组合模型，引入电场物理学的启发，将潜在作用场作用在不同类别图像嵌入之间的交互上，并在实际数据集中实现了优异的性能。

May, 2024

超区间：用超网络方法训练连续学习中的权重区间

通过嵌入空间内的区间算术和超网络将连续学习中的遗忘问题纳入控制范围，HyperInterval 模型在多项基准测试中获得显著优于 InterContiNet 的结果，并能够训练出一个适用于所有任务的统一网络。

May, 2024

优化曲率学习，实现计算机视觉中的鲁棒双曲深度学习

超辐角深度学习是计算机视觉中一个不断增长的研究方向，基于交替嵌入空间的独特属性。我们的论文关注于曲率学习，通过改进流行的学习算法的模式以及提供一种新颖的归一化方法，约束嵌入在变量代表半径范围内的嵌入空间，从而在直接分类和分层度量学习任务中实现了一致的性能提升。

May, 2024