embedding network | BriefGPT

关键词embedding network

搜索结果 - 7

通过两个新的基于距离的损失函数，强制执行度量学习中的类别可分性，实现少样本图像分类：SuSana Distance 就是你所需要的
提出了两种不同的损失函数 ——Proto-Triplet Loss 和 ICNN loss，其中考虑了嵌入向量的重要性，并评估了训练后网络获得的嵌入的质量。在实验中，相比其他度量法，这些损失函数在 miniImagenNet 基准测试中将准
PDFa year ago
运动视频的对比学习：无监督运动员分类
本文采用对比学习方法，使用嵌入网络对球队运动员进行无监督分类，特别适合实时应用。新的曲棍球数据集上的实验结果表明，相对于先前的无监督方法，我们的方法表现优异。在仅一个镜头的无监督训练之后，我们的方法就能达到 94% 的准确率，仅仅用了不到
PDF3 years ago
增强式关注机制用于小样本学习及其扩展
本文提出了一种利用加强学习技术对注意力机制调整的方法来生成更优选择的图像嵌入向量，从而有效提高几类学习和图像分类的性能。
PDF3 years ago
CVPR探索不变与等变表征在少样本学习中的互补优势
本论文提出了一种新的训练机制，同时注重等变性和不变性，使得模型能够充分学习具有独立性的特征以及几何变换的结构，进而能够在具有少量数据的情况下很好地推广。通过引入自我监督的蒸馏目标，本文的方法即使不使用知识蒸馏，在五个流行数据集上的表现也能超
PDF3 years ago
基于线性不变嵌入的对应学习
本文提出了一种全可微的流程，用于估计三维点云之间的准确密集对应，基于从数据学习基础并使用嵌入网络，实现端到端可训练的对应方法，在挑战性的非刚性三维点云对应应用中实现了最新的结果。
PDF4 years ago
无监督学习在少样本图像分类中的应用
本研究提出了一种自我监督学习的方法，以训练更通用的嵌入网络，可以在少样本的情况下实现更好的图像分类性能，即使在跨域情况下也表现出一定的鲁棒性。
PDF5 years ago
基于点监督的实例分割
该研究提出了一种只需要点级别注释来训练模型实现物体实例分割的方法，其通过建立一个具有两个分支（定位网络和嵌入网络）的网络，使用伪标签和相似嵌入方法来提高分割效果，在特定情况下，可以获得有竞争力的结果，并且是一种实例分割点级别监督的强基准线。
PDF5 years ago