May, 2024

EPL：深度人脸识别的实证原型学习

PDF
TL;DR在这篇论文中，我们将原型学习定义为每个类别中样本特征的期望，并使用数据集中的现有样本设计经验性原型。然后，我们提出了一种自适应更新经验性原型的策略，该策略基于样本特征与经验性原型之间的相似性。此外，我们提出了一种经验性原型学习（EPL）方法，该方法利用与样本特征相关的自适应边缘参数。EPL 为正常样本分配较大的边缘，为困难样本分配较小的边缘，使得学习得到的经验性原型能够更好地反映由正常样本主导的类别中心，并通过学习将困难样本拉向经验性原型。对 MFR、IJB-C、LFW、CFP-FP、AgeDB 和 MegaFace 进行了大量实验证明了 EPL 的有效性。
prototype learningface recognitionempirical prototypesmodel trainingmargin parameter
发现论文，激发创造
  • EPL：证据原型学习用于半监督医学图像分割

    本研究提出了 Evidential Prototype Learning (EPL) 方法，利用扩展的概率框架有效融合来自不同来源的体素概率预测，并在广义证据框架下实现标记和未标记数据的样本融合利用，利用体素级双不确定性掩膜。该方法在 LA、胰腺 CT 和 TBAD 数据集上进行了实验，以三种不同标记比率实现了最先进的性能，充分证明了我们的策略的有效性。

    Apr, 2024

  • 对比原型学习与增强嵌入的少样本学习

    本文提出了一种名为 CPLAE 的模型，采用对数据增广和聚类原型的中心化对比损失的方法，用于解决在 few-shot 学习中支持集训练数据不足的问题，并在多个基准测试上实现了新的最先进水平。

    Jan, 2021

  • 在伪相关存在的情况下的特征学习

    通过评估使用权重调整、强正则化和组鲁棒性训练等方法训练的模型，重训练模型的方法在多个视觉和 NLP 问题中表现出与其他方法相似的结果，表明无需过度正则化即可学习高质量的特征表示。

    Oct, 2022

  • 条件下的原型修正提示学习

    利用大规模的预先训练的视觉语言模型，通过高效的迁移学习方法解决基类过拟合问题，提出了一种条件原型纠正提示学习方法，有效地纠正了基类示例的偏差并增加了有限数据量，在少样本分类和从基类到新类的泛化任务中实现了最先进的性能。

    Apr, 2024

  • 预定义原型的类内分离与解缠

    该研究论文提出了一种基于人工指定标准预定义原型的原型学习方法，其可以增加类别之间的嵌入可分性并解耦嵌入的不同方差因素，从而实现可解释的预测。通过提供实验证明了该方法的优势。

    Jun, 2024

  • 非监督式高层次特征学习与多模型映射集成用于半监督图像分类和图像聚类

    本文研究在有限或无注释但有大量未标记数据的情况下进行图像分类的问题，并提出了一种新方法 ——Ensemble Projection (EP)。该方法通过从所有可用数据中采样一组富有代表性的视觉原型，然后使用这些原型来训练判别分类器，最终产生新的特征向量。该方法在半监督图像分类、无限制自学习图像分类和图像聚类方面均取得了很好的效果。

    Feb, 2016

  • 面部表征学习的质量感知原型记忆

    通过质量感知的原型生成，我们提出了一种简单且有效的方式来改善原型记忆。通过对不同质量的图像赋予不同的权重，原型能从高质量图像中获取更有价值的信息，并减少受到低质量图像的影响，从而提升人脸识别模型的性能。

    Nov, 2023

  • ProS：基于原型的自我蒸馏的面部全方位表示学习

    该论文提出了一种名为 ProS 的新方法，用于无监督的人脸表示学习，通过利用大量未标记的人脸图像进行综合的面部全表示学习，并通过原型匹配损失来增强学到特征的区分性，进一步针对不同任务进行微调，取得了领先的性能，同时还探讨了利用合成人脸图像进行预训练的效果。

    Nov, 2023

  • 无监督表示的原型对比学习

    该论文介绍了原型对比学习（PCL）这一无监督表示学习方法，PCL 不仅学习用于实例区分的低级特征，更重要的是它隐含地将数据的语义结构编码到了学习的嵌入空间中，该方法通过增加原型作为潜在变量来寻找最大似然估计，提出了一种基于对比学习的通用损失函数 ProtoNCE loss，此方法在多个基准测试中的表现均优于当前最先进的基于实例对比学习方法，在低资源转移学习方面有了显著的改进。

    May, 2020

  • 基于原型增强学习的叶片品种识别

    本研究提出了一种深度学习方法，通过生成软目标来提供更有效的监督，并结合原始的 one-hot 标签信息和实例与原型之间的相似度评分，以在植物叶子识别中实现更好的性能。

    May, 2023