利用邻居校正的类内自适应增强用于深度度量学习
该研究提出了一种自我监督的生成辅助排序框架,以半监督视角获得典型监督深度度量学习的类内方差学习方案,该方法通过样本合成以模拟类内样本的复杂变换,并设计了自我监督学习思想下的类内排名损失函数来捕获微妙的类内变异性,从而增强了下游任务的有效性。实验表明,这种方法优于现有最先进的方法。
Apr, 2023
本论文提出将数据的密度测量集成到 DML 的优化框架中,以在端到端的训练过程中自适应平衡类间相似性和类内变异性,通过在三种嵌入方式上增加密度适应性,不断地在三个公共数据集上展示清晰的改善。
Sep, 2019
提出了一种创新的 Anchor-aware Deep Metric Learning (AADML) 方法,通过揭示现有数据点之间的潜在相关性来提高共享嵌入空间的质量,并在两个音频 - 视觉基准数据集上的广泛实验证明了该方法的有效性,显著超过了 state-of-the-art 模型。
Apr, 2024
本文提出了一种新颖的抗噪声深度度量学习算法,称为密度感知度量学习,其通过将模型迭代地向集群的最密集区域移动来实现更快速的收敛和更高的泛化性,并对两个具有挑战性的跨模态人脸识别数据库和两个流行的物体识别数据库进行了详细的实验和分析,表明该方法具有卓越的收敛性、较短的训练时间以及比其他流行的深度度量学习方法更好的精度。
Apr, 2019
本研究提出了一种基于信息传递网络的方法,能够考虑 mini-batch 中全部样本之间的关系,通过加入注意力机制,使得样本能够在信息传递中自行确定重要性,该方法在 CUB-200-2011、Cars196、Stanford Online Products 和 In-Shop Clothes 数据集上取得了最佳效果。
Feb, 2021
本文提出了一种在嵌入空间中进行度量学习损失的数据增强方法,即嵌入式数据增强方法,该方法结合检索扩展和数据库增强的思想,通过生成合成点来获得增强的信息。此方法与现有的度量学习损失相适应,且不影响模型大小、训练速度或优化难度,其与代表性度量学习损失相结合,在图像检索和聚类任务中优于现有的损失和样本生成方法。
Mar, 2020
本文提出了一种新的潜在数据增强方法,利用无监督的学习方式在低数据量的情况下,针对生成模型中容易发散的问题进行了优化,实现了有效而稳定的训练,并生成了高质量的样本。实验结果显示,该方法在少样例学习生成任务中取得了很好的效果。
Dec, 2021
本文提出了一种新的通过对称性生成合成难样本的方法 Symmetrical Synthesis,解决了既有的自编码器和生成对抗网络生成合成难样本的高超参数、难度大和训练速度慢的问题,无需修改网络并适用于现有的度量学习损失函数,在聚类和图像检索任务中比现有方法表现更优越。
Jan, 2020
本文提出了一种深度关系度量学习(DRML)框架,用于图像聚类和检索。该方法采用可自适应学习的特征集合来建模类内和类间分布,并使用关系模块和图建模在图像上进行关系推理,得到一种关系感知嵌入来测量相似性,从而有效提高了当前深度度量学习方法的效果。
Aug, 2021
本文提出了一种基于深度度量嵌入的半监督学习算法,利用少量标注数据和无标注数据的相对距离关系约束,得到在欧氏空间内区分力强的分类器,并可用于基于最近邻分类的应用。
Nov, 2016