多相似性对比学习
本研究提出了一种基于对比学习的相似度度量方法 ContraSim,相较于传统的相似度度量方法,应用于语言和视觉模型的多语言以及图片 - 文字配对测试中都表现出更高的准确率。
Mar, 2023
引入了一种新型通用损失函数 Symmetric Contrastive (Sy-CON) loss 用于有效地连续自监督学习 (CSSL).
Jun, 2023
本文探索了应用对比学习改进模态表征的方法,提出了三阶段的多视角对比学习框架,通过监督和自监督对比学习来改进单模态和融合的多模态表征,并成功提高了多模态情感分析任务的效果。
Oct, 2022
本研究提出了一种简单而有效的对比学习框架来解决 Contrastive Self-supervised Learning (CSL) 中样本不足问题,将同一个输入的不同视角拉近,不同输入的视角推远,提高了视觉表征的质量,并在 ImageNet-1K 数据集上表现出了超越完全监督训练版本的性能。
Aug, 2022
本文研究了对比学习的等价性和理论基础,并建立了对比学习与谱聚类算法之间的等价性。同时,我们探讨了多模态对象是如何相似地嵌入在一起的,并提出了一种新的核混合损失,相较标准高斯核在几个视觉数据集上有更好的表现。
Mar, 2023
通过使用 better calibrated to human perceptual judgments of image quality: the multiscale structural-similarity score (MS-SSIM) 进行训练而不是使用 pixel-wise loss (PL),提出了更好的 perceptually-optimized methods,已被证明在三种不同的自动编码器中表现更好,可以在图像分类和超分辨率成像方面为计算机视觉带来极大的潜力。
Nov, 2015
本论文旨在探究在不需要额外注释或训练数据的情况下,如何学习图像相似性的特征。通过构建一种新的三元组采样策略,实验结果表明,该方法可以显著提高深度度量学习的性能,并在各种标准基准数据集上实现了新的最优结果。
Apr, 2020
该论文介绍了一种基于深度卷积神经网络和对比学习的大规模 MIMO CSI 相似度学习方法,并通过指纹定位实验验证证明,所提出的相似度度量方法显著提高了定位的准确性。
Apr, 2022
提出了一种名为 “中心对比损失” 的新型度量学习函数,通过对比损失使用类别中心来将查询数据点与类别中心进行比较,并实时更新类别中心以提高模型收敛速度,通过减少类内变异和增强类间差异来改善嵌入的鉴别能力,实验结果表明,使用该损失函数训练的标准网络(ResNet50)在性能和收敛速度方面达到了最先进水平。
Aug, 2023
本文通过研究在 12 个不同领域和物体检测任务中的线性评估、全网络转移和少样本识别等方面,系统地探讨了对比学习的不同方法学习到的表示的可迁移性,结果表明对比方法学习到的表示很容易适应不同的任务。除此之外,自监督对比损失与交叉熵 / 监督对比损失的联合目标可增强这些模型的可迁移性。
Mar, 2021