关键词self-supervised feature learning
搜索结果 - 9
- 自监督遥感特征学习：学习范式，挑战和未来工作
本文以遥感图像为例，研究了深度学习中三种特征学习方法的信号学问题，分析了自监督学习方法在遥感图像理解任务中的优势和现有研究工作，并讨论了进一步的研究方向和问题。
- ECCV学习不充足数据的等变性和不变性归纳偏置
论文介绍了如何用新的数据效率学习方法，利用自我监督学习与基础性优化理论，实现了从不充足的数据中学习强健的模型
- CVPRRODD: 自监督方法用于强健的越界检测
该论文提出了一种简单且有效的基于自我监督对比学习的无关数据集的广义异常检测方法，该方法在一系列基准数据集上的表现优于现有技术，特别是在 CIFAR-100 数据集上的假阳性率（FPR@95）比 SOTA 方法低了 26.97％。
- 分层组合自监督视觉表示学习
本文提出了一种从原始视觉分组能力启动视觉表示学习的框架，操作化分组通过轮廓检测器，该检测器将图像分割成区域，并将这些区域合并成树形层次结构。实验表明，我们的方法朝着通用预训练方法的方向发展，其对下游任务有益，并可用于语义区域搜索和基于视频的 - 自监督的模态与视角不变特征学习
该论文提出了基于异构网络的多模式和多视角无关特征学习方法，通过两种约束条件实现特征信息的跨模式和跨视角一致性，并在三种数据模态下进行了验证。实验结果表明该方法能够提取出鲁棒性较强的高质量特征。
- CVPR超越本地像素统计的自监督特征学习
基于对特定变换的区分，我们提出了一种自监督特征学习的新原则，指出所学特征的泛化能力取决于较大的图像邻域大小和其能够描述的更全局的图像统计信息，这可以 better represent objects' shape and configura - AAAI通过自监督特征学习重新审视图像美学评估
本文通过自监督特征学习的视角重新探讨了图像审美评估问题，并针对编辑操作设计了两个新颖的预训练任务，实现了从图像中提取审美感知特征。在三个基准数据集上进行的实验表明，该方法能够有效地提取特征并且超越了其他预训练模式，并达到了使用 ImageN - 彩色图像上色
本文提出了一种基于分类任务的自动化方法，使用卷积神经网络在测试时前向传递来处理图像的着色问题，并且提高了其结果的颜色多样性，相比之前的方法机器生成的着色更加逼真，并且证明了这种自动着色可以作为一项有效的预训练任务，提供了在特征学习领域上最好 - CVPR3DMatch: 从 RGB-D 重建学习局部几何描述符
本文提出了一种名为 3DMatch 的数据驱动模型，它可以学习用于建立局部 3D 数据对应关系的局部体积块描述符，且利用自我监督特征学习方法来汇集训练数据。实验证明，该描述符不仅可以用于重构新场景的局部几何形状的匹配，而且可以推广到不同的任