- 面向漫画角色再识别的身份感知半监督学习
通过将度量学习与对比学习相结合的方法,我们引入了一个强大的半监督框架,用于识别漫画中的角色并保持其一致性,该框架通过对角色的面部和身体特征进行对比学习,提取了刻画个体身份的角色嵌入,从而改善了角色重新识别的效果,并为其他相关任务提供了基础, - 中心对比损失度量学习
提出了一种名为 “中心对比损失” 的新型度量学习函数,通过对比损失使用类别中心来将查询数据点与类别中心进行比较,并实时更新类别中心以提高模型收敛速度,通过减少类内变异和增强类间差异来改善嵌入的鉴别能力,实验结果表明,使用该损失函数训练的标准 - DeepCL: 深度变更特征学习在遥感图像中的度量空间上
为了解决深度学习在变化检测中存在的问题,本文结合度量学习和分割方法,提出了一种强大而可解释的深度变化特征学习(DeepCL)框架,通过显式建模时序关系和引导分割过程来实现可靠的变化检测。经过理论和实验的全面评估,DeepCL 框架表现出卓越 - 统一记号和跨度级别监督的少样本序列标注
本文提出了一种基于 Consistent Dual Adaptive Prototypical (CDAP) network 的 few-shot sequence labeling 方法,其中包含了 token-level 和 span- - 内窥镜肾结石识别的度量学习方法
本文提出了一种基于深度学习和度量学习的引导式深度度量学习方法,用于少样本、泛化和新类别识别,实现对肾结石碎片形态学多视图的自动识别。
- 使用得分规范化改进基于 CNN 的人员再识别
该论文提出了一种结合了卷积神经网络特征提取方法和交叉视角二次判别分析进行度量学习的 PRe-ID 新方法,并使用马氏距离和得分规范化算法处理多摄像头下的匹配问题,实验表明该方法在多项数据集上均获得了可喜的结果。
- 基于正负未标注度量学习的文档级关系抽取框架
本文提出了一种基于 P3M 度量学习框架的文档级关系抽取方法,使用正向增强和混合方法进行正向无标签学习,改进了文档级关系抽取的 F1 分数。
- 度量学习实现飞机环境影响分割
本研究采用经典的度量学习公式和新颖组件对航空环境影响建模进行了弱监督学习,取得了显著的改进,可更有效准确地建模飞机环境影响,这项工作还展示了度量学习在类似运输领域中的潜力和价值。
- FewSAR: 一项少样本 SAR 图像分类基准测试
提出了一种新的少样本 SAR 图像分类基准 FewSAR,其中度量学习方法的准确率最高,而元学习和微调方法的表现不佳,这主要是现有数据集的偏差造成的。
- 面向内容的图像检索的类锚点裕量损失函数
本文中,我们提出了一种新的损失函数,它能够直接优化 L2 度量,而无需生成成对数据,从而提高了内容图像检索任务中神经网络的性能。我们使用 CIFAR-100、食品 - 101、SVHN 和 Tiny ImageNet 这四个数据集进行了实验 - 基于度量学习改善正常与无声语音间的视觉语音识别差距
本文提出一种基于 visemes 的度量学习方法,解决了视觉语音识别中正常与无声语音的表现差距问题,通过最小化预测 viseme 概率分布之间和内部的 Kullback-Leibler 散度,有效地学习和预测 viseme 身份。
- STIR: 用于图像检索后处理的孪生 Transformer
该研究提出了一种基于三元损失的简化模型和一种用于图像检索的新方法 STIR,它采用注意力机制在像素级别上直接比较查询图像和候选图像,不需要全局 / 局部特征提取,能够在标准图像检索数据集上定义新的技术状态。
- 音乐相似度检索和自动标记中度量学习的自监督辅助损失
本研究提出了一种基于自我监督学习方法的模型,通过介绍自我监督辅助损失的度量学习方法来解决基于相似性的检索挑战。实验结果表明,该方法可以增强检索和标记性能指标,可用于所有音乐曲目和部分音乐曲目的两种情况。
- 利用三元组损失进行无监督动作分段
本文提出了一种全新的无监督学习框架来从单一的输入视频中学习适合于行动分割任务的动作表示,无需任何训练数据,达到了与现有无监督方法相比更高质量的时间边界恢复,并通过应用聚类算法在学习的表示上取得了具有竞争力的表现。
- 度量学习和偏好学习的表征定理:一个几何学的视角
本文探讨了在希尔伯特空间中度量学习和偏好学习问题,通过借助问题结构内在特性中诱导的内积的范数,获得了一种创新的代表定理,并演示了如何将其应用于三元组比较的度量学习任务,并显示出它对于这个任务的代表定理是简单且自包含的。在再生核希尔伯特空间的 - CVPR等角基向量
利用等角基向量(EBVs)代替常规全连接分类器,生成正规化向量嵌入作为 “预定义分类器”,通过最小化输入嵌入与分类 EBV 之间的球形距离,在推理过程中识别与最小距离的分类 EBV 以得出预测,实验证明该方法在提升分类性能的同时节省额外计算 - 知识蒸馏训练动态深入研究
本文通过实验证明了正则化 (即 normalisation)、软最大值函数以及投影层是知识蒸馏的关键因素,并提出了一种简单的软最大函数来解决容量差异问题。实验结果表明,使用这些洞见可以实现与最先进的知识蒸馏技术相当或更好的性能,而且计算效率 - ICLR为基于实例的决策支持学习与人类兼容的表征
本文结合度量学习和监督学习的思想,使用人类提供的三元组判断来学习人类兼容的决策重心表示,该表示与人类知觉更好地匹配,使人类能够更准确地进行预测,并在多个分类任务中通过合成数据和人类实验表明其有效性,从而获得显著提高的人类决策准确度(对蝴蝶与 - AAAI三元组学习的稳定性和泛化性能
本研究基于稳定性分析,研究了三元组学习的一般化保证,并获得了随机梯度下降和正则化风险最小化的高概率一般化上限和过量风险下限,这为三元组度量学习的理论奠定了基础。
- CVPRHIER: 层次正则化度量学习超越类标签
本文提出了一种新的监督学习正则化方法,名为 HIER,它可以在超几何空间中学习层次代理以逼近训练数据的语义层次结构,为度量学习提供更丰富和更细粒度的监督,并在四个标准基准测试中实现了最好的表现。