多任务图像检索的粒度感知自适应

ECCVOct, 2022

多任务图像检索的粒度感知自适应

Granularity-aware Adaptation for Image Retrieval over Multiple Tasks

Jon Almazán, Byungsoo Ko, Geonmo Gu, Diane Larlus, Yannis Kalantidis

TL;DR本文提出了一种基于 Grappa 的无监督学习方法，通过从不同任务领域的未标记图像中学习，扩展了预训练模型，并通过伪标签来模拟不同的伪粒度，并学习融合层，使所有检索任务都适用。结果表明，Grappa 模型改善了自监督学习模型的零样本性能，并在某些地方达到或超过任务标签感知的最合适伪粒度。

Abstract

Strong image search models can be learned for a specific domain, ie. set of labels, provided that some labeled images of that domain are available. A practical visual search model, however, should be versatile enough to solve multiple retrieval tasks simultaneously, even if those cover

visual search model grappa pseudo-granularity unsupervised learning self-supervised learning

发现论文，激发创造

野外环境下的细粒度识别：一种多任务域自适应方法

本研究探讨了细粒度领域适应的概念并提出了基于属性的多任务适应损失来解决现有细粒度目标识别模型无法准确分类野外图像的问题，通过在一组新的细粒度数据集上的实验证明了该算法可以显著提高准确性。

Sep, 2017

GPL: 密集检索的生成伪标签用于无监督域适应

该研究论文提出了一种新的无监督领域适应方法 Generative Pseudo Labeling，该方法结合查询生成器和交叉编码器的伪标记，证明该方法可以在数据集较小的目标领域中进行更加鲁棒的训练，并且在检索任务上比最先进的密集检索方法提高了近 9.3 个百分点的 nDCG@10 指标。

Dec, 2021

深度学习实例抓取的多任务域自适应

本文提出一种基于多任务领域适应的框架来解决机器人抓取的训练数据收集和标注的问题，借助仿真机器人实验来对杂乱场景下的抓取进行实例化，并通过领域对抗性损失将训练好的模型转移到真实机器人系统中，经过实际机器人实验的评估表明本文所提出的模型准确性比其他模型结构及基准模型都要高。

Oct, 2017

面向任务型对话的多粒度知识检索

通过引入多层级的知识检索器 MAKER 及一种新的蒸馏目标和监督信号，对话系统中的知识检索与响应生成解耦，从而有效地检索大规模的知识库。

May, 2023

基于检索引导的无监督多领域图像到图像翻译

本文提出使用图像检索系统辅助图像翻译，从而生成更高质量的图片，实验结果表明该方案是有效的。

Aug, 2020

更多的照片就是你所需要的：半监督学习用于细粒度基于草图的图像检索

本论文研究了基于细粒度手绘图像检索模型中存在的数据稀缺问题，并介绍了一种新型的半监督框架，可以利用大规模未标记的照片来提升模型表现，其中心设计是一个顺序照片到草图生成模型，并引入了鉴别器和蒸馏损失来提高数据的质量。实验证明，新的半监督模型相比现有的监督模型和具有利用未标记的照片的现有方法产生了显著的性能提升。

Mar, 2021

任务和领域跨界学习

本文提出了一种新的适应性框架，用于跨任务和领域传递知识，通过在一个完全监督域中学习跨任务和领域的知识，使其在只有部分监督域中实现性能增益。实验证明了该框架在两个具有挑战性的任务（即单眼深度估计和语义分割）和四个不同领域（Synthia、Carla、Kitti 和 Cityscapes）中的有效性。

Apr, 2019

基于数据中心化方法的无监督领域泛化：来自网络规模多模态数据的检索

该研究论文探讨了领域泛化和无监督领域泛化问题，提出了一种在多模态场景下构建数据集的新方法，并在不同的基准测试上与其他方法进行了比较，取得了较高的准确性。

Feb, 2024

跨域和跨任务的同时深度迁移

本研究提出一种用于视觉领域适应的 CNN 架构，利用未标记和稀疏标记的目标领域数据实现域不变性优化并采用软标签分布匹配损失在任务之间传递信息，其在监督和半监督适应设置下都取得了先前发表结果之上的实证表现。

Oct, 2015

通过任务蒸馏进行领域适应

使用图像识别数据集作为源域和目标域之间的桥梁，通过任务蒸馏框架，在不同仿真器之间成功地传输导航策略，并在传统领域适应基准上展现出有前途的结果。

Aug, 2020