关键词false negative samples
搜索结果 - 4
- 我们是否真的需要用于图表示的对比学习?
对比学习在图学习领域吸引了大量研究兴趣,现有的图对比学习方法需要大规模和多样化的负样本来确保嵌入的质量,但这样会引入虚假的负样本,同时增加了计算负担和时间复杂度,为解决这些问题,提出了一种简单而有效的模型 GraphRank,通过引入基于排 - MSVQ: 多个样本视图和队列的自监督学习
本文介绍了一种基于 Contrastive Learning 并受均值漂移启发的自监督学习框架 MSVQ,该框架通过引入多个正样本视角和两个负样本动量编码器形成各种语义特征,最终通过两个教师网络对学生进行知识传输并提高样本分类和识别的能力。 - CVPR通过假阴性感知对比学习学习音频 - 视觉源定位
本研究提出了一种新的自监督音视频源定位学习策略,名为 False Negative Aware Contrastive(FNAC),旨在缓解真实世界训练中的错误负样本问题。该方法基于对单模态相似性的利用,可以识别类似样本并构建相应的邻接矩阵 - 自我监督训练样本困难度平衡用于局部描述符学习
本文旨在研究如何在正负样本分布不均衡的情况下,通过硬负样本挖掘策略,平衡正负样本的难度,提高负样本的质量,并提出了一种基于自监督学习的平衡损失,并结合动态梯度调整策略进行实验,结果表明该方法能够优于之前的最优描述符,适用于图像匹配和检索等任