基于 t-vFM 相似度的鲁棒特征学习方法用于连续学习
本文引入了一种基于连续标签的深层度量学习新方法,包括使用连续标签进行三元组损失和适应连续标签的三元组挖掘策略,同时实验结果显示该方法在三种不同的图像检索任务中表现出较优异性能。
Apr, 2019
在研究中,我们提出了一种新颖的概率对比学习算法(ProCo),它通过估计特征空间中每个类别的样本数据分布并相应地采样对比对,以克服由于数据不平衡而导致的标准有监督学习算法性能下降的难题。我们引入了一个合理简单的假设,即在对比学习中,归一化特征遵循单位空间上的一组 von Mises-Fisher(vMF)分布的混合分布,利用该分布参数的估计,我们可以采样无限数量的对比对,并得到了对比损失的闭合形式,从而实现高效优化。
Mar, 2024
本文发现在连续学习的情境中,通过对比学习方法学习到的表示对抗遗忘更加鲁棒,基于该观察,我们提出了一种基于重复学习的算法,该算法着重于持续学习和维护可转移的表示,并在常见的基准图像分类数据集上进行了广泛实验验证,该方法取得了最新的最佳性能。
Jun, 2021
基于多个相似性度量的新型多相似性对比损失(MSCon)提供了在不同相似关系下学习可推广嵌入的方法,通过自动学习对应相似性的对比权重,降低不确定任务的影响,从而在内部和外部领域中优于最先进的基准模型。
Jul, 2023
本文研究基于对比学习的监督式分类学习策略,提出了一种混合网络结构,用于从不平衡的数据中学习更好的图像表征,以提高分类精度。具体而言,我们探索了两种对比损失的变体,以推动特征学习,从而实现更好的分类器。实验结果表明,基于对比学习的混合网络在长尾分类中优于传统方法。
Mar, 2021
利用聚类方法寻找类似度高的类别,并基于其特征对分类器设置鲁棒性,以此提升鲁棒性训练的性能,同时在 Fashion-MNIST 和 CIFAR10 中分别提高准确率 9.63% 和 30.89%。
Dec, 2020
本文提出了一种学习输入空间变换的表示学习框架,通过感知相似度度量的三元损失确保变换保留任务相关信息,并在分类,越域泛化和子组准确性保持等任务上取得了良好效果。
Jun, 2021
该研究提出了一种基于变换后的注意力图的无监督深度度量学习方法,通过学习图像在比较中产生的视觉注意图的一致性,使用孪生深度神经网络对图像及其变化或匹配对进行编码和比较,并采用三元损失和对比聚类损失来增强生成特征的跨类别差别能力,实验结果表明该方法在无监督度量学习方面的表现超越了当前的最先进方法。
Aug, 2020
该论文研究了如何通过有针对性的监督对比学习,提高长尾识别中少数类的识别准确率,提出了针对性的监督对比学习方法 (TSC),通过让不同类别的特征向量在训练过程中收敛至不同且均匀分布的目标点,从而提高了特征空间的均匀性,改善类别边界,提高了模型的泛化能力,实验结果验证了 TSC 方法在多个数据集上均取得了当下最先进的表现。
Nov, 2021