无监督表示学习、卷积自组织神经网络、评估协议、表示传输、图像到图像转换
Nov, 2023
无监督学习下的意义化特征表示方法综述及实验结果分析。
Aug, 2023
本文介绍自监督学习作为深度学习替代方案的优势及其在计算机视觉、自然语言处理和图学习中的应用,分类总结了现有的自监督学习方法,并进一步探讨其相关的理论分析工作,最后简要讨论了自监督学习的未来方向和开放性问题.
Jun, 2020
本文回顾了无监督特征学习和深度学习领域中的最新进展,讨论了学习良好的数据表示的适当目标,以及表示学习、密度估计和流形学习之间的几何联系。
Jun, 2012
本文针对多视图环境下对比学习进行理论分析,结果表明当视图提供有关标签的冗余信息时,所学习的表示的线性函数在下游预测任务中几乎是最优的。
Aug, 2020
介绍了自监督学习的基本概念、方法和应用,探讨了自监督学习在不同数据模态下的表现,包括图像、视频、音频和文本,并讨论了其实用性和存在的问题。
Oct, 2021
本文回顾了最近在无监督和半监督学习领域取得的进展,分类了一大类模型,并探讨了这些模型与探索新思想的相互作用以及它们在生成模型中的实现。文章还提出了将无监督预训练与有监督微调结合起来的未来方向,并展望了表示学习的未来方向。
Mar, 2019
该篇研究通过无监督元学习方法,利用自动构建的任务,从无标记数据获取表征,并应用于多种下游分类任务中,相对于其他四种无监督学习方法的表征学习,显示出更好的性能。
Oct, 2018
本文提供了一种信息理论框架,从多个视角探究自监督学习的特性,并介绍了可以丢弃任务无关信息的任务相关自适应目标函数,为自监督学习的目标设计提供了更加广阔的空间。
该论文探讨了自我监督方法在无监督视觉表示学习中的重要性,提出之前 CNN 设计的标准配方不一定适用于自我监督表示学习, 并大幅度提高了之前提出技术的性能,超越了之前公布的最先进结果。
Jan, 2019