Jan, 2024

使用一组上下文敏感模型的图像相似度

PDF
TL;DR基于标注数据的 A:R vs B:R 方法构建了图像相似度模型，并采用集成模型处理稀疏采样和基于上下文数据的偏差，测试结果表明，该集成模型优于单个上下文敏感模型、混合图像数据和现有相似度模型，证明基于上下文标注和模型训练在适当的集成方法下可以有效克服稀疏采样的限制。
image similaritymachine-learned modelslabelled dataensemble modelcontext-based labelling
发现论文，激发创造
  • 三种识别词汇蕴涵的方法实验

    本文介绍了三种词汇蕴含的识别方法，并比较了它们的性能。与其他方法相比，新方法（相似性差异）在某些数据集上表现显著更好，说明词汇蕴含研究和语义关系分类研究之间建立联系是有益的。

    Jan, 2014

  • 上下文嵌入网络

    通过 Context Embedding Networks（CENs）模型学习从图像提取可解释的嵌入向量，同时能够建模 Crowd 计算中的工人偏差和视觉背景，实验表明相比于现有方法，该模型能够得出更可解释的嵌入向量。

    Sep, 2017

  • 标签相似性课程学习

    本文研究课程学习方法，通过改变标签表示来调整损失函数，提高深度学习模型的训练效果，在多个数据集上进行了实验验证。

    Nov, 2019

  • 揭示潜在模式：研究数据集相似性、性能和泛化

    通过添加一小部分未见图片到训练集中，我们的方法可以降低训练与注释成本，提高监督式深度学习模型的泛化性能，并在动态环境中对未见数据的模型性能提供估计。

    Aug, 2023

  • 上下文视觉相似性

    本文提出了概念 “上下文视觉相似度”，并探讨了在图像搜索应用领域的应用。使用三张图片，通过学习各个图像各个维度的特征权重以及重加权后的距离来确定查询图片与正向图片的相似度，以及他们与负向图片的相异度。

    Dec, 2016

  • 基于上下文的句子相似度

    本文提出了一种基于上下文概率比较的新框架来解决语句相似度计算中受限于有标签数据大小以及无监督语言建模中训练和测试之间的差距的两大挑战，能在无监督学习中生成高质量语义相似性分数数据集并在不同数据集中显著提高了现有基线的性能。

    May, 2021

  • 可解释的非度量盒嵌入预测图像之间的视觉重叠

    本文介绍了一种可解释的图像嵌入方法，通过对已知具有 3D 可视表面重叠的训练示例进行测量，从而学习场景特定的相似度，并通过简单且快速的方式减少了在不同比例下的查询图像匹配和几何验证中的搜索成本。

    Aug, 2020

  • 通过学习场景图之间的相似度进行图像检索

    本文通过使用图神经网络测量场景图的相似度，提出了一种基于场景图相似度的图像检索方法，并使用人工注释的标题计算图片相关性测量来训练图神经网络，收集了一个数据集用于评估检索算法，并显示我们的方法比竞争方法更符合人类对图像相似性的感知。

    Dec, 2020

  • 通过无监督相似度度量集成的高级源代码克隆检测

    该研究介绍了一种新的集成学习方法来评估代码相似性，结合多种无监督相似度度量的优点。初步结果表明，尽管基于 Transformers 的 CodeBERT 和其变种 GraphCodeBERT 在有充足训练数据的情况下是最佳选择，但在特定的小数据集（最多 500 个样本）的情况下，我们的集成方法达到了类似的结果，而且结果解释性较强，与训练相关的碳足迹明显较低。

    May, 2024

  • 通过复杂性约束的描述性自编码实现可解释的概念相似度度量

    图像相似度的量化是图像机器学习的一个关键版权问题。本文提出了一种基于概念相似性的图像相似度度量方法，通过生成逐渐复杂的图像描述来衡量相似度，该方法在图像对比和文本对比中表现优于现有基准，并通过指示差异描述粒度提供了解释性。

    Feb, 2024