Dec, 2023

面向崩溃的三重割离对抗训练用于鲁棒图像检索

PDF
TL;DR该文提出了一种 COLO-TRIDE 框架，通过 collapse-oriented (COLO) adversarial training 和 triplet decoupling (TRIDE) 方法解决了现有研究中的模型崩溃和对抗性差的两个主要问题，实验证明该方法在 10 个鲁棒性指标和 3 个常用数据集上的表现优于当前最先进方法的平均水平提升了 7%，同时还提出了一种新的衡量图像检索鲁棒性的公平性指标，并将代码公开于 GitHub 平台。
adversarial trainingmodel collapseweak adversarytriplet decouplingrobustness metrics
发现论文，激发创造
  • 通过三元损失的对抗训练提高深度神经网络的鲁棒性

    本文提出了一种名为 Adversarial Training with Triplet Loss 的算法，通过利用距离度量学习技术中的 Triplet Loss 方法，提高了深度神经网络的鲁棒性，并在此基础上提出了一个集合版本的算法，可以取得更好的防御效果。同时，作者还证明了此三元组损失可以用于提高其他防御方法的性能。

    May, 2019

  • 深度人脸识别的三元组蒸馏

    本文提出了一种增强版本的三元组损失函数，名为三元组蒸馏，在多个数据集上展示了其优于原始三元组损失函数的优越性，能够自适应地变化正负样本之间的间隔，从而更好地利用相似性信息来提高紧凑模型的性能。

    May, 2019

  • 通过合作训练保护推荐系统

    推荐系统中的假账号是一个严重的问题，本论文提出了一个三重协同防御的框架（TCD），旨在通过集成数据处理和鲁棒模型来提高推荐系统的鲁棒性。此外，论文还介绍了一种高效的攻击策略（Co-Training Attack），并将其与 TCD 作为一个博弈过程进行建模，从而全面研究了攻击和防御的潜力。实验证明，TCD 在提高模型鲁棒性方面表现卓越，同时提出的两种攻击策略相比现有攻击也更具威胁性。

    Jan, 2024

  • 高分辨率图像检索中基于 Triplet-loss 扩张残差网络的表示学习

    本文提出了一种使用三元组损失（triplet loss）的卷积神经网络方法，该方法采用膨胀残差卷积神经网络（dilated residual convolutional neural network）提取高分辨率表示，并通过广义均值池化（Generalized-Mean pooling）方法增强提取的表示的鲁棒性，该方法在 Revisited Paris6k 和 UKBench 等数据集上取得良好的图像检索精度。

    Mar, 2023

  • 因果三元组：基于干预中心因果表示学习的开放挑战

    本文提出了 Causal Triplet 方法，作为因果表示学习的基准，识别潜在的结构是一个具有挑战性和机遇的问题，该任务包括可操作的反事实设置和强调分布鲁棒性的干预下游任务。

    Jan, 2023

  • TriCoLo: 用于精细文本形状检索的三模态对比损失

    本文采用大批量对比学习的方法，提高不同模态数据的联合嵌入效果，实现超越先前文献的文本形状检索；同时，提出了三模态学习方案以更好地表示所有模态。

    Jan, 2022

  • 一种包含三元组折叠的公平分类器

    本文研究三元损失函数的行为，表明在随机三元组选择的情况下，当三元损失函数的边缘大于潜空间中两点之间的最大距离时，可以利用其崩溃现象来限制机器学习模型所创造和长期保持的偏见，从而得到公平的分类器。

    Jun, 2023

  • COLO：一种基于对比学习的单阶段摘要重新排序框架

    本文提出了一种基于对比学习的重新排序框架 COLO，它可以直接根据摘要级别的分数生成摘要，从而提高 CNN/DailyMail 基准的提取和抽象一阶段系统的结果，并保留参数效率和推断效率。

    Sep, 2022

  • 使用动态间隔的三重损失函数进行三维物体实例识别和姿态估计

    本论文提出了一种使用卷积神经网络进行局部对象在杂乱环境中的 3D 对象实例识别和姿态估计的方法，通过引入动态边界到多样性拓扑学习的三元组损失函数中，来在低维描述符空间上建立对象相似度模型，采用新背景噪声类型和表面法线等多种模态的图像数据进行训练，形成了更高维的特征表征以及更好的训练平衡性。

    Apr, 2019

  • 音视频检索的两阶段三元组损失训练及课程增强

    通过课程学习引导，本研究提出了一种两阶段训练范式，从半硬三元组到困难三元组，来优化跨模态检索模型的性能。在两个音视频数据集上进行的广泛实验结果显示，与当前最先进方法 MSNSCA 相比，我们提出的方法在 AVE 数据集上的视听跨模态检索任务的平均均值平均准确率 (MAP) 方面有显著提升，约为 9.8%，表明我们的方法的有效性。

    Oct, 2023