Aug, 2022

新颖程度对于半监督表征学习用于新类别检索的影响

PDF
TL;DR本研究探讨使用半监督学习方法在训练集中加入未标记的新类图片，以提高表示学习在搜索新类别图片时的效率，并提出了一种新的评估方法来评估基于半监督学习方法的表示学习，在语义差异较大时，相比于传统监督学习，基于半监督学习的表示学习可以在搜索新类别图片时取得更好的效果。
发现论文，激发创造
  • 对比无监督表示学习的理论分析

    本文提出了一种理论框架以分析对比学习的算法，并引入潜在类别假设，该框架使我们能够在平均分类任务上证明学习表示的性能。同时，该文还表明，学习表示可以降低下游任务的（标记）样本复杂度。

    Feb, 2019

  • 关系推理实现的语义新颖性检测

    本文提出了一种基于关系推理的新颖语义检测表示学习策略，旨在有效地识别未知的对象类别，并将其转化为可靠的开放集识别模型。

    Jul, 2022

  • 自动发现和学习新的视觉类别：基于排序统计学的方法

    本文针对在一个图像集合中发现新类别的问题，提出结合自监督学习、排名统计和联合目标函数优化的方法，使用带标签和未标记数据训练数据表示模型，成功应用于标准分类基准测试中，显著优于现有的方法。

    Feb, 2020

  • 组合嵌入进行开放式表示学习

    通过表示学习，联合优化未知类的区分度和已知类的可泛化性，使用组合学习方法基于多个异构标签空间上的监督元分类器的复合知识自然地对未知类中的示例进行聚类，并通过无监督成对关系学习使待检测类别的特征更具有鲁棒性，实现对公共数据集的图像检索和图像分类的性能显著提升，并发现新概念。

    Jun, 2021

  • 监督知识可能会影响新类别发现性能

    本研究建立了一个称为 transfer flow 的新度量标准，通过构建一个各种语义相似度的大型基准测试，研究表明对于不同层次的语义相关性，使用纯自我监督知识可能比使用少相似标记集的监督信息更为优越，提出了偏转换流的虚拟版本作为决定是否在 NCD 中使用监督信息的实用参考。

    Jun, 2023

  • 通过深度转移聚类学习发现新的视觉类别

    该研究考虑了在图像集合中发现新对象类别的问题，使用先前的相关但不同的图像类别的先验知识降低聚类的歧义，改善新发现类别的质量，其中使用了 Deep Embedded Clustering、传输学习、表示瓶颈、时间集成、一致性和类别估计等多种技巧，并在 ImageNet、OmniGlot、CIFAR-100、CIFAR-10 和 SVHN 等许多基准测试中显著优于现有技术。

    Aug, 2019

  • 半监督式学习中的学习

    本文提出了一种基于元学习的半监督学习方法，将有标签和无标签数据的相似度转化为对应的语义相似度，并通过自监督学习的方法实现了对有标签数据的更新。实验证明该方法较之传统方法更为有效。

    Aug, 2020

  • 深度表示学习的无监督图像分类

    本研究提出了一种无监督图像分类框架，旨在通过不使用嵌入聚类来简化和优化深度聚类算法，并在 ImageNet 数据集上进行了实验。同时验证了其在多标签图像分类，目标检测，语义分割等任务的泛化性，以及其在迁移学习中的有效性。

    Jun, 2020

  • 分析原型对半监督分类学习的好处

    通过使用原型为数据提供抽象表示，这篇研究论文探讨了原型在半监督学习中的应用，通过非监督方式形成数据的表示，以及无监督学习模型中的潜在嵌入和簇状表示的作用。

    Jun, 2024

  • 基于层次结构的视觉物体识别新颖性检测

    研究了一种基于层次分类框架的、更加信息化的新颖性检测方案，该方案可以使用置信校准分类器和数据重新标记等方法，找到一个新类的最接近的超级类，并为其他常用语义嵌入提供了改进的泛化零 - shot 学习性能。

    Apr, 2018