May, 2022

使用对比个性化的面部图像检索

PDF
TL;DR本研究提出了一种利用用户反馈进行二元监督的面部图像检索方法，采用对比学习范例，通过在线优化损失函数进行个性化处理，实验证明该方法可以更快地收敛和提高推荐准确性，同时提供了用户友好的网页端界面，让用户有实时的面部图像检索体验。
facial image retrievalbinary supervisioncontrastive learning paradigmuser feedbackpersonalization
发现论文，激发创造
  • 从一瞥到抓住：带有渐进相关反馈的交互式面部图像检索

    提出了一种端到端的面部图像检索框架，利用相关反馈逐步提供给目击者，对心理图像进行交互式和迭代式检索，无需额外注释，并进行 exttt {CelebA} 数据集上的实验证明，该模型在最佳设置下的排名百分位数可以达到 99％，可以成为进一步研究的基础。

    Jul, 2020

  • 个人相片集中的人物识别

    提出一种基于卷积神经网络的人物识别系统，针对不同的身体线索和训练数据量的信息量，系统的常见故障模式进行了深入分析，并讨论了现有基准的局限性并提出更具挑战性的基准，其简单易用且在社交媒体照片数据集（PIPA）上达到了更好的成果。

    Sep, 2015

  • CoReFace: 深度人脸识别的样本引导对比正则化

    提出一种名为 CoReFace 的新方法，它将样本引导的对比学习应用于特征表示学习，以在特征表示学习中直接规范图像级别关系。 CoReFace 的实验表明其与现有最先进方法具有极高的竞争力。

    Apr, 2023

  • 基于深度联合注意力的比较器用于人员再识别的相对性表示学习

    本文提出了一种基于深度共同关注的比较器（DCCs），以克服现有人物重新识别方法在相互独立的图像区域上检测最相关的部分以及在比较相似性时的空间操作等限制，用于在行人图像对之间寻找相关特征并动态生成相对表示，提高了行人重新识别的效率和准确性。实验结果表明，该方法在三个基准数据集上均取得了最先进的性能。

    Apr, 2018

  • 面部属性分类的公平对比学习

    本文提出了一种公平的监督对比损失方法（Fair Supervised Contrastive Loss），旨在保证图像的视觉表达不带有敏感属性信息，同时通过组内归一化减少分组之间的差异，实现了在公平性和准确性上的平衡，并在 CelebA 和 UTK Face 的数据集上验证了该方法的有效性。

    Mar, 2022

  • 基于对话的交互式图像检索

    介绍了一种新的交互式图像检索方法，该方法允许用户通过自然语言提供反馈，形成了一个基于强化学习的对话系统，用于提高目标图像的排名，该方法在鞋类检索应用中表现出更好的准确性和更有效的检索结果。

    May, 2018

  • ComFace：人脸对比的合成数据人脸表示学习

    通过使用合成图像来捕捉人脸图像中的个体间面部差异和个体内面部变化，我们提出了一种名为 ComFace 的人脸表征学习方法，用于医疗、保健和情感识别领域的个体面部变化的监测。我们的方法在只使用合成数据进行训练的情况下，实现了与使用真实图像进行训练的一般预训练和最先进表征学习方法相媲美甚至更好的迁移性能。

    May, 2024

  • COURIER：针对大规模图像特征预训练的对比用户意图重构

    为提高 CTR 预测效果，本文提出了一种针对推荐领域的图像预训练方法，通过用户点击历史来学习用户的视觉兴趣，同时采用对比训练方法以避免嵌入向量的折叠，实验表明该方法可以提高 0.46% 的离线 AUC 和 0.88% 的淘宝线上 GMV。

    Jun, 2023

  • 关注不同之处：通过对比关联进行跨模态人员再识别

    该研究提出了一种双通道跨模式特征学习框架，旨在保留内在空间结构并关注输入交叉模态图像对的差异，通过在一个共同的 3D 张量空间中嵌入交叉模式图像而不丢失空间结构以及通过动态比较输入图像对来提取对比特征等方式，在两个公共可用的 RGB-IR ReID 数据集上进行了广泛实验，并在全面和简化的评估模式下均优于现有的算法。

    Oct, 2019

  • 音频指纹对比无监督学习

    本文介绍了将对比学习的思想应用于音频指纹（AFP）任务中的方法，并基于动量对比（MoCo）框架设计了一种对比学习方法以生成既具有区分性又具有鲁棒性的指纹，并对其在音频识别中的有效性进行了实验证明。

    Oct, 2020