Nov, 2023

ProcSim：基于代理的鲁棒相似性学习的置信度

PDF
TL;DR通过建立类别本体并创建语义一致的标签错误，提出了一种简单的框架 ProcSim，通过将样本与其类别代表的归一化距离计算得到置信度评分，从而训练鲁棒的深度度量学习模型，实验结果表明该方法在注入均匀和语义一致噪声的深度度量学习基准数据集上取得了最先进的性能。
deep metric learningembedding spacelabeling mistakesprocsimstate-of-the-art performance
发现论文，激发创造
  • 去噪多相似度公式：鲁棒性度量学习的自适应计划驱动方法

    本文提出了基于自适应采样的均衡自适应度量学习（BSPML）算法，该算法采用去噪多相似度计算，并将噪声样本作为极其困难的样本，并根据样本权重自适应删除样本以提高模型的稳健性和泛化能力。

    Nov, 2022

  • 使用代理实现无需繁琐的距离度量学习

    使用 proxy 点的三元组损失函数能够更快速地优化距离度量学习，提高零样本学习数据集的精度至多 15％，且比其他三元组损失函数的收敛速度块 3 倍。

    Mar, 2017

  • SimPro: 一个简单的基于概率的真实长尾半监督学习框架

    在这项研究中，我们提出了一个新颖的、高度适应的框架 SimPro，它不依赖于对未标记数据分布的任何预定义假设。基于一种概率模型，我们创新地改进了期望最大化（EM）算法，通过明确分离条件和边际类别分布的建模来实现。这种分离在最大化阶段为类别分布估计提供了一个闭合形式的解，从而推导出贝叶斯分类器。而贝叶斯分类器则提高了期望阶段中伪标签的质量。值得注意的是，SimPro 框架不仅具备理论保证，而且易于实现。我们还引入了两种新颖的类别分布，扩大了评估的范围。我们的方法在不同基准和数据分布场景下展示了一致的最先进性能。

    Feb, 2024

  • 内省式深度度量学习

    该论文提出了一种基于内省的深层度量学习框架，用于对图像进行不确定性感知的比较，该框架使用语义嵌入和不确定性嵌入来表示图像的特征以及模糊程度，并使用内省相似性度量来进行图像的相似度比较，取得了在图像检索和分类任务中的最先进性能。

    May, 2022

  • 软正交代理的深度度量学习

    本文提出了一种基于 Soft Orthogonality (简称 SO) 的新方法来解决深度度量学习 (DML) 中代理点出现的问题，并结合数据高效的图像变换器 (DeiT) 作为编码器提取图片的上下文特征，以数据集检索等实验结果表明该方法在超越现有技术的同时，还具有更高的可靠性和实用性

    Jun, 2023

  • 基于参数相似性方法的比较实验：基于语义注释的大型数据集

    本文介绍了 SemSimp，它是一种用于测量数字资源的语义相似性的参数化方法，该方法基于信息内容的概念，并利用参考本体和分类推理，包括不同的方法来对本体的概念进行加权，该方法在 ACM 数字图书馆的基础上进行了实验，并显示出比其他相似性方法更好的结果。

    Feb, 2023

  • 基于势场的深度度量学习

    深度度量学习的一篇研究论文通过使用替代方法，建立了一个组合模型，引入电场物理学的启发，将潜在作用场作用在不同类别图像嵌入之间的交互上，并在实际数据集中实现了优异的性能。

    May, 2024

  • 自省式深度度量学习

    本研究提出一种内省型深度度量学习（IDML）框架，用于对图像进行不确定性感知的比较。通过不仅使用语义嵌入还使用伴随的不确定性嵌入来表示图像，该框架改进了深度度量学习的性能，并在图像检索和聚类等任务上取得了最先进的结果。

    Sep, 2023

  • 将语言引导集成到基于视觉的深度度量学习中

    采用语言指导目标来进行视觉相似性学习，以更好地实现语义一致性并提升 Deep Metric Learning 的泛化能力。实验证明，语言指导方案可在各项基准测试中实现明显的模型无关性改善，并取得具有竞争力和最先进的结果。

    Mar, 2022

  • 点对点 ROC 曲线优化的监督相似性学习概率理论

    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