ICCV 2021 VIPriors 图像分类挑战赛第 2 名方案:一种吸引与排斥学习方法
本文提出一种双重对比学习策略(CACR),利用对比吸引和对比排斥机制,在无监督数据集上实现图像表示的改进和鲁棒性提高,特别是在数据集不太平衡时表现良好。
May, 2021
本文提出了聚类导向的表示学习 (COREL) 作为分类器的一个替代方法,可以建立起了一组高质量自然聚类的潜在表示。经过分析,不同的相似性函数可以满足不同的使用场景,其中余弦 - COREL 变体形成了一个一致的可聚类的潜在空间,而高斯 - COREL 变体在分类准确度上优于 CCE。
Dec, 2018
深度神经网络容易受到对抗性噪声的攻击。为了解决这个问题,我们提出了一种通用的对抗训练框架来获得稳健的特征表达,通过非对称负对比度和反向注意力来推动不同类别的特征在特征空间中远离,并通过线性分类器参数对特征进行加权以获得类别感知的特征并将相同类别的特征相互靠近。经过在三个基准数据集上的实证评估,我们的方法大大提高了对抗训练的鲁棒性并实现了最先进的性能。
Oct, 2023
本文提出了一种训练且具有鲁棒性的卷积神经网络的方法,通过惩罚较早层所学习的局部表示的预测能力,迫使网络丢弃色彩和纹理等可从局部感受野中获取的预测信号,并依靠图像的全局结构。在一系列综合性和基准领域适应任务中,我们的方法使泛化能力得到了改善。我们还引入了一个新的数据集 ImageNet-Sketch,以评估跨域传输。
May, 2019
该研究提出了一种名为对比特征对齐 (CFA) 的解决方案,旨在学习具有稳健性的不变表示形式,通过联合分类损失和通道加权平均平方误差 (CWMSE) 损失来训练模型,以获得逐步学习不变目标表示的能力,该方法在 MSTAR 数据集和六种 DNN 模型上得到了广泛评估,并成功证明其在不熟悉的环境中识别目标的效能
Apr, 2023
通过对自然信号变异性更可预测的表征重新审视并改进对比性预测编码的无监督目标,可以实现数据高效的图像识别,其特征支持 ImageNet 数据集上最先进的线性分类准确性,同时可在非线性分类中使用 2-5 倍的标签,最终,这种无监督表征大大改善了 PASCAL VOC 数据集的对象检测的迁移学习。
May, 2019
本文提出了一种基于对比度学习的语义分割训练策略,使用像素级和标签基础对比损失的方法,能够在减少标记数据的情况下提高性能,并通过 Cityscapes 和 PASCAL VOC 2012 数据集的实验证明了该方法的有效性。
Dec, 2020
该论文提出了一种新的计算量小、效果好的框架,其中采用了不同的掩码计算策略和最新的嵌入聚合方法来提高图像检索的准确性;同时还利用哈希模块生成非常紧凑的二进制图像表示,并在六个图像检索基准测试中取得了最好的检索性能。
Feb, 2018
本文提出了一种新的学习框架,称为卷积原型学习(CPL),以处理卷积神经网络(CNN)对开放世界识别问题的鲁棒性不足,其中采用了多个分类标准进行网络训练,提出了原型损失(PL)作为正则化以改善特征表示的内部类紧凑性,在多个数据集上实验表明 CPL 可以比传统 CNN 实现可比甚至更好的结果,并且 CPL 在拒绝和增量类别学习任务方面具有明显优势。
May, 2018