Nov, 2023

利用正向相似度和聚类离散度学习提升聚类表示

PDF
TL;DR本研究提出了一种名为 PIPCDR 的全新端到端深度聚类方法，它同时利用对比方法和非对比技术的优势，解决了类碰撞问题和聚类崩溃问题，通过正样本邻近损失和聚类分散正则化器实现了生成良好分离聚类和均匀表示的目标，并在大规模数据集上取得了最新的技术成果。
发现论文，激发创造
  • 通过原型散射和正样本采样学习聚类表示

    本文提出了一种新的、端到端的深度聚类方法 ——ProPos，它结合了原型散射和正样本采样对聚类性能进行了提升，并通过在大规模数据集上的实验证明了其具有领先的性能。

    Nov, 2021

  • 畸变 - 解缠对比学习

    该研究提出了一种名为 DDCL 的新型 POCL 框架和 DDL 损失函数，可以显式地分离和利用模型和特征流中的畸变变量表示（DVR），从而提高了整体表示利用效率、鲁棒性和表示能力。通过在多个基准数据集上进行实验，表明我们的框架优于 Barlow Twins 和 Simsiam 在收敛性、表示质量和鲁棒性方面。

    Mar, 2023

  • 通过跨层次实例组区分进行无监督特征学习

    本文提出了一种新的自监督学习方法 CLD，通过交叉等级判别来发现和整合实例相似性，显著改善对高度相关，长尾分布和平衡数据集的自监督学习，并在许多基准测试中取得了新的最佳性能。

    Aug, 2020

  • 从朋友那儿获取帮助：最近邻对比学习视觉表示

    NNCLR 是一种基于最近邻对比学习的自监督学习算法，将数据集中最近邻作为正样本而不是图像的不同视角，能够提供比预定义的变换更多的语义变化，达到了在 ImageNet 分类和迁移学习基准测试中超越现有先进方法的效果。此外，该方法的鲁棒性能更好，对于数据变换的依赖性更小。

    Apr, 2021

  • 基于实例判别和特征去相关化的聚类友好型表示学习

    本研究提出一种基于深度学习的表示学习方法，采用实例区分和特征装饰来提高聚类的效果，在 CIFAR-10 和 ImageNet-10 数据集中进行了实验，分别获得了 81.5% 和 95.4% 的准确率。

    May, 2021

  • 对比吸引与对比排斥在表征学习中的应用

    本文提出一种双重对比学习策略（CACR），利用对比吸引和对比排斥机制，在无监督数据集上实现图像表示的改进和鲁棒性提高，特别是在数据集不太平衡时表现良好。

    May, 2021

  • 增强对比实例判别的语义正对组

    本研究提出了一种基于语义正例对集合（SPPS）的方法，它可以降低在表示学习期间丢失重要特征的风险，并在 ImageNet，STL-10 和 CIFAR-10 数据集上验证了该方法的可行性。

    Jun, 2023

  • 基于聚类的对比学习，以提高人脸表征

    本文提出了一种名为 CCL 的基于聚类的对比学习方法，利用聚类得到的标签和视频约束来学习具有区分性的人脸特征，展示了该方法在视频人脸聚类的表征学习任务上的显著成果。

    Apr, 2020

  • 基于重要性采样和原型 - 实例关系蒸馏的对比持续学习

    基于对比学习的连续学习方法，该研究提出了基于重放缓冲区选择（RBS）的对比连续学习方法以确保知识的保留，并使用原型 - 实例关系蒸馏（PRD）损失来维护样本表示与原型之间的关系，实验证明该方法在在线环境中有效消除灾难性遗忘问题。

    Mar, 2024

  • HoughCL：在密集自监督学习中找到更好的正样本对

    本文介绍了一种基于 Hough 空间的对比学习方法，可以实现对于密集预测任务的图像级自我监督学习的表征有效性，并且相对于之前的方法，能够更好地应对背景混杂和异常值问题。

    Nov, 2021