本文提出了一种密集的语义对比学习框架，用于多颗粒度表示学习，以模拟语义类别决策边界以满足下游的密集预测任务，实验证明我们的模型优于现有的方法，包括目标检测、语义分割和实例分割。

Sep, 2021

本文提出了一种 MCSC 框架，联合训练 CNN 和 Transformer 模型，并采用多尺度交叉监督对比学习来对医学图像进行结构分割。实验证明，该方法在 Dice 系数上比现有的半监督方法提高了 3.0% 以上，并且大大缩小了与全监督方法之间的性能差距。

Jun, 2023

本文提出了一种基于层次语义对比的视频异常检测模型，结合了前景对象和背景场景特征，通过自动编码器框架增强编码的潜在特征，同时使用对象级和场景级对比学习，增强模型的判别能力，并通过基于骨架的运动增强来进一步处理少见的正常活动。经过在三个常规和场景相关混合数据集上的实验证明了这种方法的有效性。

Mar, 2023

通过引入样本对间对比学习和原型 - 样本对比学习，提出了一种新颖的语义感知双对比学习框架，通过联合训练三个模块，准确捕捉与图像内容相关的判别性标签级特征，并在五个具有挑战性的大规模公共数据集上实验证明了该方法的有效性优于现有技术。

Jul, 2023

本文提出了一种基于遮盖的分层聚类对比学习模型（MHCCL），该模型利用多个潜在分区的分层结构中获得的语义信息用于多元时间序列的表示学习，通过新颖的向下遮罩策略过滤假负面、补充正面，进一步结合了聚类层次结构的多粒度信息，设计了新颖的向上遮罩策略以优化聚类元数据。实验结果表明，MHCCL 模型在七个广泛使用的时间序列数据集上比现有的无监督时间序列表示学习方法表现更卓越。

Dec, 2022

本研究探讨了如何使用分层结构化数据来帮助神经网络学习大教堂的概念表示。通过 WikiScenes 数据集提供的空间组织的分层结构，我们提出了一种新颖的分层对比训练方法，利用三元组边界损失在编码器的潜在空间中表示数据的空间层次结构，研究了数据集结构是否为自监督学习提供了有价值的信息。通过应用 t-SNE 可视化所得到的潜在空间并将所提出的方法与其他具有特定数据集的对比学习方法在常见的下游分类任务中进行比较评估，结果表明所提方法优于可比较的弱监督和基准方法。我们的发现表明数据集结构是弱监督学习中有价值的模态。

Jan, 2024

基于深度学习的多分辨率联合源信道编码（JSCC）框架通过多任务学习的概念，有效编码并解码不同分辨率的数据，突破了传统分离源信道编码（SSCC）方法在有限块长度数据处理中的次优性和多用户 / 多分辨率数据重构的限制，对于语义通信尤为有潜力，提高语义特征的提取和保留能力。

Aug, 2023

利用三维和二维混合卷积神经网络提取高维空间和光谱特征，设计超像素图对比聚类模型，使用像素采样增强和模型权重增强来改善先验视图对比聚类，通过样本级对齐和聚类中心对比，优化超像素嵌入的类内相似性和类间差异性。在多个高光谱图像数据集上验证了该方法的优势，例如在 India Pines 数据集上，与最先进方法相比，模型的聚类准确率从 58.79% 提高到 67.59%。

Mar, 2024

通过对视图重要性进行融合，并通过聚类级对比学习和语义特征度量来减弱假阴性对之间的对比学习，我们提出了一个名为 DCMCS 的多视图聚类框架，用于减轻假阴性对的影响。实验结果表明，该框架优于现有方法。

Mar, 2024

本文提出了一种语义对比学习的方法（SCL），将距离的聚类结构引入到无标注数据的特征空间中，并通过优化实例视觉相似性和聚类决策边界的一致性来推理出语义上的实体类别，以在发现未知类别决策边界方面具有显着优势。实验证明，SCL 在六个物体识别基准测试中优于最先进的对比学习和深度聚类方法，尤其是在更具挑战性的精细和较大的数据集上。

Mar, 2021