May, 2023

SimSC：基于温度学习的语义对应简易框架

PDF
TL;DR本文提出了一个名为 SimSC 的简单框架，通过在特征骨干基础上进行语义匹配来解决问题。通过设置适当的 softmax 温度，可以缓解过度平滑匹配度分布并改善特征质量，使用学习模块来预测优化温度，该模块与骨干和温度一起在线更新，易于与各种类型的骨干配对以提高准确性。
simscsemantic matchingfeature backbonel2 normalizationsoftmax
发现论文，激发创造
  • DySTreSS: 自监督对比学习中的动态温度缩放

    通过研究温度超参数，我们提出了一个基于余弦相似度的温度缩放函数，有效优化特征空间中样本的分布，并通过对余弦相似度空间中的均匀性和容忍度度量进行综合分析，展示了该方法在半监督学习中优于或与对比损失为基础的算法相当的性能，并为对比学习领域的未来研究奠定了基础。

    Aug, 2023

  • SCNet：学习语义对应性

    本文提出了 SCNet，一种基于卷积神经网络的语义对应的几何合理模型，利用区域提议实现匹配原语，并明确将几何一致性纳入其损失函数中，该方法在多项基准测试中均表现优异。

    May, 2017

  • 并非所有的语义都是平等的：自对比学习与自动温度个性化

    本文提出了一种用分布鲁棒优化方法系统地优化具有个性化温度对比损失的自监督学习的方法，该方法基于数据分布特点，对超参数进行了自动调整，并在实验中表现出优于已有方法的性能。

    May, 2023

  • SimMatch: 带相似性匹配的半监督学习

    本文提出了一种新的半监督学习框架 SimMatch，该框架同时考虑语义相似性和实例相似性，并通过一致性正则化将这两种相似性转换为更可靠的匹配目标，实现了半监督学习任务的性能提升，特别是在 ImageNet 数据集上，1％和 10％标记示例的 Top-1 准确率均显着优于基线方法和以前的半监督学习框架。

    Mar, 2022

  • SimCC：一种基于简单坐标分类的人体姿态估计

    本文提出了一种基于 SimCC 的 Human Pose Estimation 方法，通过将像素划分为多个 bin，实现了 sub-pixel 级别的定位精度和较低的量化误差，从而达到了更加简单和有效的流程，并在多个数据集上的实验证明了其更好的性能。

    Jul, 2021

  • 用于改善图像字幕的对抗语义对齐

    本文提出了一种基于有上下文的 LSTM 描述生成器和协同对抗网络鉴别器的图像描述生成方法，并比较了两种训练方法，结果表明 Self-critical Sequence Training 表现更好；同时，介绍了一种用于衡量生成模型的语义得分，构建了 OOC 数据集来检测生成器的泛化能力与语义相似度。

    Apr, 2018

  • 多尺度匹配网络用于语义对应

    本文提出了一种多尺度匹配网络，该网络可以对邻近像素之间微小的语义差异进行敏感的多尺度匹配，并利用深度卷积神经网络的多尺度结构学习判别像素级特征。实验结果表明，该方法在三个流行的基准测试上具有高计算效率并达到了最先进的性能。

    Jul, 2021

  • DeepSim-Nets: 用于立体图像匹配的深度相似度网络

    本文提出了三种多尺度相似性学习结构，使用对比损失函数学习像素级匹配，实现对场景几何形态的无关性。基于深度学习，通过学习与分配匹配像素对，建立了混合和端到端方法之间的平衡。同时，文章还探讨了如何通过样本挖掘提高预测相似度的整体稳健性和较好的性能表现，并在航空和卫星数据集上进行了实验，结果表明 DeepSim 网络优于混合方法和端到端方法，并且更好地适用于未见过的场景几何形态。该灵活的体系结构可以轻松地应用于标准的多分辨率图像匹配管道。

    Apr, 2023

  • 语义边界辅助的语义分割

    本文提出了 Semantic Boundary Conditioned Backbone (SBCB) 框架，该框架是一种简单而有效的训练框架，旨在提高分割性能，尤其是在边界周围，可用于改善各种流行分割头和骨干网络。

    Apr, 2023

  • 加热 Softmax 嵌入

    本研究通过训练 softmax 函数不同温度值的分类器，得到不同紧致性水平的特征嵌入，提出了一种 “加热” 策略，逐步训练分类器以实现在多个度量学习测试中的最新性能。

    Sep, 2018