- 一种用于衡量图像分割质量的标记数组距离度量
提出了两个新的距离度量,用于比较标记数组。这些度量可用于评估不同图像分割算法的准确性,通过与 'ground truth' 标签进行比较,从而确定哪种算法提供最准确的分割。
- 用 DistClassiPy 进行光谱分类:一种新的基于距离的分类器
利用距离度量方法进行时间域天文分类的研究,开发了一种名为 DistClassiPy 的新的基于距离度量的分类器,该分类器在提高分类结果的可解释性和降低计算成本方面表现出色。
- 对 ' 分布式 ' 自然语言处理语料库距离度量的表征
给定两个语料库,我们想要计算它们之间的单一距离度量(例如,Mauve、Frechet Inception)。我们描述了一种抽象质量,称为 ' 分布性 ',用来说明这些度量的特点。我们量化了该质量,并以平均 Hausdorff 距离和能量距离 - 利用形态学图像分析高效检索具有不规则模式的图像:工业和医疗数据集的应用
本文提出了一种基于形态学特征(DefChars)从图像中提取一组特征并搜索包含相似不规则图案的图像的图像检索框架,使用不同的特征提取方法和距离度量确定检索性能最高的参数,结果表明该框架在各个数据集上均表现出色,并且 DefChars 具有可 - 针对少样本动作识别的任务特定对齐和多层 transformer
本文提出了一种名为 TSA-MLT 的端到端方法,在多层次特征上使用多层 Transformer 并使用任务特定的 TSA 进行处理,然后使用 L2 和 Optimal transport 距离度量进行融合,并以交叉熵损失进行训练以获得时间 - 可转移的深度度量学习用于聚类
提出了一种学习跨多个不同领域数据集应用的传输度量的框架,在使用基于嵌入空间的指定聚类的情况下,在少量训练集和浅层网络的情况下,我们在多个变量复杂度的数据集上实现与最新技术水平相当的结果。
- 衡量桌游间距离
本文介绍了一种测量 Ludii 通用游戏系统中棋盘游戏之间距离的通用方法,该距离是使用以往发表的一组通用棋盘游戏概念计算得出,这些概念分别表示常见的游戏理念或共享属性,本文比较和对比了两种不同的距离测量方法,并突显了这些度量标准的主观性和其 - ICCVLoOp: 搜索最优硬负嵌入以进行深度度量学习
本文提出一种新方法 —— LoOp 来寻找最佳的 hard negatives,实现在嵌入空间中进行度量学习,与已有方法相比,可以在三个标准数据集上得到更好的性能表现。
- ICCV学习 3D 点云表示的点集距离
本文针对 3D 点云,研究了不同距离度量方法的效果,提出使用切片 Wasserstein 距离和其变体来学习 3D 点云的特征表示,并介绍了一种估算切片 Wasserstein 距离的新算法,实验证明该方法能提高神经网络的学习效率,并在 3 - IJCAI主动度量学习的批量解相关
本研究提出了一种针对三元组相似性评估的参数模型距离度量的主动学习策略,通过平衡信息性和多样性,该方法可以去相关化批处理的三元组,使选择每个标准的启发式方法脱钩,并证明该方法在实验中表现良好。
- IJCAI因果距离之梯
该研究提出了一种基于因果分布的距离计算方法来比较因果模型之间的距离,并将其用于对因果发现算法及其应用进行基准测试和评估。
- 基于最长循环共子串的局部敏感哈希方案
这篇论文提出了一种新的基于 LCCS-LSH 框架的 LSH 方案,它引入了 LCCS 的概念和一种新的数据结构 CSA,并支持不同类型的距离度量,能够实现 $c$-ANNS,实验结果表明它的性能优于现有的 LSH 方案。
- 嵌入空间分治方法用于度量学习
本文提出了一种深度度量学习的新方法,通过将数据和嵌入空间分割为 K 个子问题,并在网络的嵌入层中定义的不重叠的子空间中分别学习 K 个不同的距离度量方式,从而能够更高效地利用嵌入空间,并且相较于之前的方法有更快的收敛速度和更好的泛化效果。实 - 使用特权信息的度量学习进行人物再识别
本文介绍了一种基于逻辑判别度量学习算法,能够在人物视角发生大量变化的情况下实现人物重新识别,通过在训练期间利用辅助信息同时利用原始数据和辅助数据来完成度量学习,可以用于单视角和多视角任务
- 谐波不配对图像到图像的翻译
本文提出使用 HarmonicGAN 进行无配对图像转换,通过光滑性约束来实现一致的像素映射,并利用距离度量来维护样本的自我一致性。在医疗成像、物体转换和语义标记等应用中得到了明显的定性和定量改善,并取得了优于同类方法的实验效果。
- 人物再识别的对抗度量攻击与防御
通过提出 Adversarial Metric Attack,本研究试图在 Person re-identification 中弥合分类训练和度量分析的差距,发现现有的距离度量方法对于人眼无法察觉的对抗样本十分脆弱,因此在应用于视频监控等领 - MM监督学习和无监督学习最近邻方法的量子算法
本文介绍了几种量子算法,用于执行最近邻学习,核心是计算距离度量,如内积和欧氏距离。证明量子算法比对应的经典算法具有多项式降低的查询复杂度。在某些情况下,证明具有指数甚至超指数降低。研究了这些算法在几个二元分类任务上的性能,并发现分类准确性与 - NIPS具增强的半正定度量学习
本文提出了一种基于提升法的技术,称为 BoostMetric,用于学习 Mahalanobis 距离度量标准,通过提升算法中有效和可扩展的学习过程,缓解了学习这种度量标准的主要困难之一,即确保 Mahalanobis 矩阵是正定半定的。在各