成对相似度学习是简洁的
本论文介绍了一种通用的概率相似逻辑框架 (PSL),可用于多关系数据中的相似性推理,它包括概率推理和关系结构的相似性,该框架能够整合任何现有的领域特定的相似性措施,并支持对实体集之间相似性的推理和学习。
Mar, 2012
本文提出了基于 Pair Loss 和 MixMatch 技术的 SimPLE 算法,通过挖掘标记和未标记数据之间的关系,显著提升了 CIFAR-100 和 Mini-ImageNet 上的性能,并在 CIFAR-10 和 SVHN 上达到了最新方法的水平。此外,SimPLE 算法还在迁移学习设置中优于预训练模型。
Mar, 2021
多目标优化中的 Pareto 集学习是一个新兴的研究领域,该论文提出了一种协同 Pareto 集学习 (CoPSL) 框架,通过共享层和特定于 MOP 的层的协同处理,以高效地学习多个 MOP 的 Pareto 集。实验证明了 CoPSL 在模拟 Pareto 集方面的出色效率和稳健性。
Apr, 2024
通过局部可靠相似度的估计,不需要监督信号,将样本分组成紧凑的代理类,利用样本到类的局部偏序将类与类连接起来,将相似性学习形式化为局部排序任务,并采取自我监督策略,在 CNN 中训练样本以一致的方式表示,同时更新类。该无监督方法在详细姿态估计和对象分类上表现出有竞争力的性能。
Apr, 2017
该论文从交叉匹配角度分析了相似性学习,提出了一种基于 ROC 优化的点级优化标准,通过一种概率框架对此进行了深入研究,给出了基于 U - 统计的约束优化表达式,推导出相应的普适性学习速率以及在数据分布噪声假设下更快速的学习速率,同时考虑了采样近似近似的效果,同时通过量化实验得到了与理论相称的实验结果。
Jul, 2018
本文介绍一种基于非半正定线性相似性的学习算法,用于分类,该算法能够通过最优化距离和相似度函数来在非线性特征空间中学习,该方法得到应用后,在各种数据集上比起现有方法具有更好的效果,而且速度快、防止过拟合和产生非常稀疏的分类器。
Jun, 2012
研究中提出了一种 Open set recognition based on Pseudo unseen data Generation (OPG) 方法,利用相似度学习,通过先学习一个 closed set classifier,再学习如何将已知类别分别与伪未知类别进行比较(通过数据分布转化生成的),从而检测未知类别(或未看到过的类别),实验结果表明,这种基于相似度特征的方法可成功区分开放性识别基准数据集中已知和未知的类别。
Mar, 2022
本研究旨在通过使用一个完全标注的源数据集,研究使用仅弱标注的图像标签来学习定位模型的问题,并提出了一种基于类内成对相似度函数的新方法来代替过去使用的仅学习物体性分数的弱知识转移方法。通过在 COCO 和 ILSVRC 2013 检测数据集上的实验,我们展示了该方法的有效性。
Mar, 2020
本文提出 AVSL 框架,用于更精确和可解释地衡量图像之间的相似度,通过基于人类语义相似性认知构建通用相似性学习范式,使用图形以及自下而上的相似性构建和自上而下的相似性推断框架,在语义层次一致性的基础上推断相似性,取得了显著的改进,并验证了框架的可解释性。
Mar, 2022
本文提出了一种基于组件的伪标签细化框架,通过利用全局特征和部分特征之间的互补关系,设计了一个交叉一致性得分来减少标签噪音。通过对全局特征的伪标签进行部件特征预测的集成,进一步减轻了全局特征聚类中的噪声,通过标签平滑来应用伪标签的部分特征。由于交叉一致性得分提供了可靠的互补信息,我们的方法可以有效地减少噪声标签的影响,并学习具有丰富本地上下文的判别性表示。
Mar, 2022