Nov, 2021

通过增强感知自我监督改善表示的可转移性

PDF
TL;DR为了避免生成数据不敏感的特点，同时获取更具普适性的表示，我们提出了一种辅助自监督损失 AugSelf，它学习两个随机样本之间的增强参数差异，并可以轻松地纳入最先进的表征学习方法中，稳定提高了监督和无监督方法的表征迁移性能。
unsupervised representation learningdata augmentationself-supervised losstransfer learningcode availability
发现论文，激发创造
  • SelfAugment：自监督学习自动增强策略

    本文通过自监督的方式，解决了在无监督学习中选取数据扩增策略的问题，同时验证了自监督学习的准确性。

    Sep, 2020

  • 为什么自监督模型能够迁移？—— 探究不变性在下游任务中的影响

    本文研究了自监督学习在图像中表征学习的应用，通过对比实例匹配方法，我们发现不同的视觉任务需要不同的数据扩充策略，并且使用具有互补不变性的表征方法可以提高各种下游任务的表现。

    Nov, 2021

  • 高效有效的自监督视觉表示学习

    本研究提出一种新的辅助任务 —— 旋转预测，用于加强现有最先进的基于相似性和对比性方法，并在多个数据集上证明了我们的方法能显着提高性能。

    Oct, 2022

  • 自监督增强少样本学习的监督

    本论文提出了一种利用自我监督任务作为辅助损失函数来改善小型标注数据集上深度表示可迁移性的技术，其中使用自监督损失学习的表示减少了元学习的相对误差率，此方法在各种学习任务中都取得了良好的表现。

    Jun, 2019

  • 通过输入变换的自监督标签增强

    通过自监督学习，本文提出的单一统一任务学习方法能够有效地提高模型的准确性，并且在各种全监督学习场景下均具有广泛的适用性。

    Oct, 2019

  • 通过背景增强对自监督学习的鲁棒性进行表征和改进

    通过引入背景增强技术，加强自监督学习中对物体的语义关注， 系统调研发现其在多个自监督学习任务中均有大幅提升效果，并成为有监督学习的有力竞争者，并在无监督显著性检测方面取得进展。

    Mar, 2021

  • 基于扩增感知的自监督学习，用于数据有效的 GAN 训练

    提出了一种新型的、基于增强现实的自监督辨别器，并利用预测参数作为判别阈值，减弱了旧行的数据不变性，显著提升了数据效率，实验结果优于其他 GANs

    May, 2022

  • 揭开对比自监督学习的神秘面纱：不变量，数据增强和数据集偏差

    通过量化实验，我们发现了自监督学习方法的增益来源及其局限性，并且提出了一种利用非结构化视频学习表示以实现更高视点不变性的方法。

    Jul, 2020

  • 自我监督表示学习的随机场增强

    基于高斯随机场的新型局部变换用于自监督表征学习，并通过改进的数据增强方法，在 ImageNet 和 iNaturalist 数据集上实现了准确性的提升。

    Nov, 2023

  • 仿射变换估计提升视觉自监督学习

    通过在自我监督模型中添加一个模块，限制编码表示对仿射变换进行预测，可以提高学习过程的性能和效率，在各种现代自我监督模型中进行实验证明了性能改进，并对仿射变换的组成部分和关键架构设计进行了消融研究。

    Feb, 2024