- 使用原型进行简单采样和困难混合以重平衡对比学习用于文本分类
基于文本分类的超视域对比学习方法 SharpReCL,通过利用原型向量和样本集构建,克服了数据不平衡问题,实现了强大的特征学习和模型优化能力,在多个数据集上表现优于大型语言模型。
- HC^2L:混合合作对比学习用于跨语言口语理解
零射击跨语言口语理解的最新模型进行了跨语言无监督对比学习,以实现每个话语与其代码切换数据之间的标签不可知的语义对齐。然而,它忽视了宝贵的意图 / 槽标签,其标签信息有望帮助捕捉标签感知的语义结构,然后利用监督对比学习来改进源语言和目标语言的 - 一种改进的监督对比学习方法在乳腺癌组织学图像分类中的应用
通过改进监督对比学习方法,结合自监督学习和标签数据,在有限数据情况下提高医学图像处理任务中深度神经网络的分类准确率,特别是在乳腺癌组织病理学图像上实现了 93.63% 的绝对准确度。
- 探索对比学习用于长尾多标签文本分类
我们进行了关于有监督对比学习在多标签文本分类中的影响以及如何构建稳健的表示空间的研究,提出了一种新的对比损失函数,并在三个多标签数据集上实现了显著的宏 F1 分数改进。
- CVPRDELTA:解耦长尾在线持续学习
DELTA 是一种增强学习表示、解决长尾在线连续学习中类别不平衡问题的分离式学习方法,通过适应性有监督对比学习吸引相似样本和排斥不相似(非类内)样本,平衡训练期间的梯度并通过等化损失显著提升学习结果,并成功缓解了灾难性遗忘,扩展了增量学习的 - 解开海马形态变异:使用对比学习的图形变分自编码器研究神经学障碍
本研究通过使用图变分自编码器和有监督对比学习的方法,对神经系统疾病背景下弥漫张量成像数据集中的海马形态变异进行了细致研究,以提高其可解释性和分离出与年龄和疾病存在相关的两个独立潜变量。通过对合成的 3D 环面网格数据和真实的 DTI 海马数 - 让真实图像作为判断者,发现由生成模型合成的假图像
通过学习真实图像的自然特征,利用监督对比学习的方法,我们的研究提出了一种探测器,针对虚假图像中的伪像纹理的变化进行检测,并在广泛的实验证明了其在未知伪造技术的泛化和对不同变换的鲁棒性方面的显著优势。
- 多尺度时空图卷积网络用于面部表情检测
本文提出了一种用于面部表情识别的多尺度时空图卷积网络 (SpoT-GCN),通过接受域自适应滑窗策略提取更稳健的动态特征,并通过面部图形表示将微妙的动态特征转换为学习到的时空图模式,并使用提出的面部局部图池化 (FLGP) 从多个尺度的面部 - 概率对比学习用于长尾视觉识别
在研究中,我们提出了一种新颖的概率对比学习算法(ProCo),它通过估计特征空间中每个类别的样本数据分布并相应地采样对比对,以克服由于数据不平衡而导致的标准有监督学习算法性能下降的难题。我们引入了一个合理简单的假设,即在对比学习中,归一化特 - 理解和减轻有监督对比学习中的人工标注错误
人工标注的视觉数据集中不可避免地包含一部分人为错误标签样本。我们的研究表明,人工标注错误不仅与合成标签错误有明显不同,而且对于监督对比学习 (SCL) 而言也具有独特的挑战。为了应对这个问题,我们引入了一种对人工标注错误具有鲁棒性的新型 S - 可解释的对比与成本敏感学习在宫颈癌分类中的应用
本研究提出了一种高效的系统,利用预训练的卷积神经网络对宫颈癌细胞进行分类,通过优先考虑与高成本或重要性相关的类别的准确性来最小化错分成本。为了进一步提高模型的性能,使用了监督对比学习以增强模型对重要特征和模式的捕捉能力。通过在 SIPaKM - 使用监督对比学习学习标签层次
我们介绍了一种 Label-Aware SCL 方法,通过利用类别之间的相似性,将层次信息融入到 SCL 中,从而创建一个更结构化和具有辨别性的特征空间,实现了更好的文本分类性能。
- 通过对比学习提升自动胸部 X 射线诊断的公平性
应用监督对比学习可以减轻胸部 X 射线诊断中的偏见,解决深度学习诊断方法中的公平性和可靠性问题。
- 借鉴 Zoom:解耦有监督对比学习用于 WCE 图像分类
通过解决微小病变和背景干扰等挑战,以及利用放大增强器生成放大后的 WCE 图像从而学习鲁棒表示,我们提出了一种用于 WCE 图像分类的去耦合监督对比学习方法。训练一个线性分类器来使用这些表示,在仅 10 个 epoch 内取得了惊人的 92 - 松弛对比学习用于联合学习
我们提出了一种新颖的对比学习框架,以应对联邦学习中的数据异构性挑战。我们分析了本地训练期间客户端之间梯度更新的不一致性,并建立了其与特征表示分布的依赖性,从而导出了用于减轻局部偏差的监督式对比学习(SCL)目标。此外,我们表明,在联邦学习中 - ProbMCL:简单的多标签视觉分类概率对比学习
在多标签图像分类任务中,我们提出了一种名为 Probabilistic Multi-label Contrastive Learning (ProbMCL) 的新框架,通过结合有监督对比学习和混合密度网络来解决现有方法中的挑战,并在计算机视 - 基于听诊器引导的监督对比学习在呼吸音分类的跨领域适应中的应用
通过跨领域适应技术,结合监督对比学习方法,本研究在呼吸音分类领域取得了显著进展,成功减少了不同电子听诊器录制的呼吸音之间的领域依赖并实现了 61.71% 的 ICBHI 得分,相较于基线模型的 2.16% 有了显著提升。
- AAAI基于 Transformer 的无参考图像质量评估通过监督对比学习
在这篇论文中,我们提出了一种基于监督对比学习与 Transformer 的图像质量评估模型 SaTQA,该模型通过 SCL 在大规模合成数据集上进行训练,从而提取出具有各种失真类型和水平的图像退化特征,并结合了 CNN 的归纳偏置和 Tra - 患者风险进展建模的时间监督对比学习
我们提出了一种监督对比学习框架,通过学习每个时间步长的患者时间序列的嵌入表示来预测患者在随着观察到更多患者数据的过程中感兴趣结果的可能性变化。我们的方法在预测败血症患者的死亡率(MIMIC-III 数据集)和追踪认知障碍的进展(ADNI 数 - 揭示和克服监督对比学习中的标签噪音挑战
我们提出了 D-SCL,这是一种新颖的去偏差的监督对比学习目标,旨在减少标记错误引入的偏差,并证明了 D-SCL 在各种视觉基准上稳定优于最先进的表示学习技术,提供了对标签错误的改进的鲁棒性。