Jan, 2022

基于对比学习的自适应正负样本特征提取框架

PDF
TL;DR采用对比学习和适应性正负样本的特征提取框架来提取无监督、半监督和有监督的单视图特征，该框架可以更好地处理噪音数据和提高特征提取的准确性。
feature extractioncontrastive learningadaptivityunsupervised learningsemi-supervised learning
发现论文，激发创造
  • CLAF：增强特征的对比学习用于不平衡的半监督学习

    通过引入增强特征的对比学习方法（CLAF），克服了不平衡数据对伪标签的偏见，从而提高了半监督学习中的对比学习的效果。

    Dec, 2023

  • 对比学习的增量式虚假负例检测

    本研究提出了一个新的自监督对比学习框架，该框架在训练过程中动态检测错误负样本并加以删除，在多个基准测试中表现优于其他自监督对比学习方法。

    Jun, 2021

  • 带负采样校正的对比学习

    提出了一种名为 Positive-Unlabeled Contrastive Learning（PUCL）的新型对比学习方法，通过将负样本视为无标签样本，并利用正样本信息来修正对比损失，从而纠正了负采样偏差并提高了性能。

    Jan, 2024

  • 通过人工智能反馈提高对比学习句子嵌入

    CLAIF 方法：利用大型预训练语言模型的人工智能反馈来构建有细粒度样本相似度得分的样本对以改善对比学习，并结合人工反馈和 AI 反馈提供更好的训练信号，实验结果显示在语义文本相似性和迁移学习任务上，与其他半监督和监督对比学习方法比较，CLAIF 实现了最先进的性能。

    May, 2023

  • 通过可视化特征变换来改善对比学习

    本论文研究了对比学习中正负样本设计的关键问题，并提出一种不同于数据增强的特征级数据操作策略，提高对比自监督学习的学习效果。作者们使用可视化工具分析数据，提出正样本外推和负样本插值两种特征变换策略，将其应用于图像分类任务，实验结果表明，本论文提出的特征变换策略可以明显提高图像分类准确率，并且具备不错的推广性。

    Aug, 2021

  • 对比学习的合成硬负样本

    本文提出了一种特征级方法，即采样合成难负样本用于对比学习（SSCL），以更有效地利用更难的负样本。该方法通过混合负样本生成更多且更难的负样本，然后通过控制锚定样本与其他负样本的对比度的方式进行采样，并且考虑到假负样本的可能性进一步消除了负样本。这种方法提高了不同图像数据集的分类性能，并可以轻松集成到现有方法中。

    Apr, 2023

  • 基于聚类的对比学习，以提高人脸表征

    本文提出了一种名为 CCL 的基于聚类的对比学习方法，利用聚类得到的标签和视频约束来学习具有区分性的人脸特征，展示了该方法在视频人脸聚类的表征学习任务上的显著成果。

    Apr, 2020

  • 对比学习实现少样本聚类

    本文提出了 Few-Example Clustering (FEC) 算法，它使用对比学习对少量样本进行聚类，其步骤包括候选聚类分配的生成、对每个聚类分配进行对比学习和选择最佳候选，通过在 extit {mini}-ImageNet 和 CUB-200-2011 数据集上进行实验证明，FEC 在各种情况下平均优于其他基线约 3.2％，并展现出逐渐上升、然后急剧下降的有趣学习曲线。

    Jul, 2022

  • 对比学习能否避免捷径解决方案？

    提出了一种名为隐式特征修改 (IFM) 的方法，以改进对比学习的特征提取，避免压抑重要的预测特征并提高视觉和医学成像任务的性能。

    Jun, 2021

  • 重新思考对比学习的样本选择：潜在样本的挖掘

    对比学习中通过综合考虑正负样本以及使用软硬权重策略来挖掘样本，分析并挖掘接近正样本的潜在负样本，相较于传统的自监督方法，该方法在 CIFAR10、CIFAR100 和 TinyImagenet 上分别达到了 88.57%、61.10% 和 36.69% 的准确率。

    Nov, 2023