可转移的深度度量学习用于聚类
本文提出了一种深度度量学习的新方法,通过将数据和嵌入空间分割为 K 个子问题,并在网络的嵌入层中定义的不重叠的子空间中分别学习 K 个不同的距离度量方式,从而能够更高效地利用嵌入空间,并且相较于之前的方法有更快的收敛速度和更好的泛化效果。实验结果表明,该方法在 CUB200-2011、CARS196、Stanford Online Products、In-shop Clothes 和 PKU VehicleID 数据集的检索、聚类和重新识别任务中的表现显著优于最先进技术。
Jun, 2019
本文介绍了关于迁移测度学习的分类和度量传递策略,包括直接度量逼近、子空间逼近、距离逼近和分布逼近。同时,总结和探讨了迁移测度学习的不同方法及其应用,并指出了未来可能的研究方向和挑战。
Oct, 2018
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
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
通过引入一种新的注意力模型,我们提出了一种可以自动调整聚类中心的可转移的深度聚类模型,该模型在数据样本分布方面自动适应聚类中心,并理论上证明了我们的模型比一些传统聚类算法如 k-means 或高斯混合模型 (GMM) 更强大。在合成和真实数据集上的实验结果证明了我们提出的传输学习框架的有效性和效率,该框架在目标领域的性能表现显著提高并减少了计算成本。
Oct, 2023
本文介绍了一种利用训练批次的算法,将向量的成对距离提升到成对距离矩阵,从而以学习结构化预测目标的方式来优化最先进的特征嵌入方法,同时在 CUB-200-2011、CARS196 和 Online Products 数据集上进行实验,证明在所有实验的嵌入尺寸上都能够显著提高。
Nov, 2015
本文研究了在高维数据情况下的度量学习问题,提出了一种基于 LogDet 距离的学习线性变换的框架,并证明了它可以被有效地核化以学习任意高维空间中的度量,同时还可以将广泛类别的凸损失函数类似地核化,以扩展度量学习的潜在应用。同时,我们证明了这种方法在计算机视觉和文本挖掘等真实世界问题中的有效性。
Oct, 2009
提出一种新的异构多任务度量学习框架(HMTML),利用多个不同子领域数据学习跨域度量,并在共同子空间中最大化预测结构的高阶协方差,进而有效地探索高阶信息,验证实验表明其方法具有更可靠的特征转换和度量。
Apr, 2019