triplet loss function | BriefGPT

关键词triplet loss function

搜索结果 - 9

一种基于轻量级 Transformer 的异构图像的自监督匹配网络
提出一种新的关键点描述方法，通过自监督匹配网络获取稳健的特征描述子。设计了一种轻量级变换网络 LTFormer 生成深层特征描述子，并通过创新的三元组损失函数 LT Loss 进一步提高匹配性能，相比手工设计的本地特征描述子表现更好，即使数
PDF2 months ago
通过 MildTriple Loss 实现运动和文本的跨模态检索
本文提出了一种基于 transformer 和 triplet loss 的 cross-modal retrieval 模型来解决 human motion sequences 和 text 之间的检索问题，并提出了一种新的 MildTr
PDFa year ago
跨模态潜在空间的编码嵌入：面向端到端口语理解
本文提出使用多模型、跨模态潜空间以及三元组损失函数来提高端到端语音理解的性能。
PDF4 years ago
CVPR使用标题和点击数据的多任务文本到视觉嵌入
论文提出一种新的方法，使用图像标题和来自图像搜索引擎的点击数据来学习文本 - 视觉嵌入，并通过建模嵌入的积极感知提出新的三元损失函数，以及引入一种新的基于小批次的难例负采样方法来提高学习过程的数据效率，实验结果表明，该方法的表现优于现有方法
PDF5 years ago
CVPR理论上完整的三元组损失上界，以提高深度距离度量学习的效率
本文提出了一种新的线性损失函数来优化深度距离度量学习中的三元组损失函数，无需使用类别中心点最优化步骤，并有了实际运行时间复杂度为线性的算法。该方法在基准数据集上达到了竞争性的检索准确性结果。
PDF5 years ago
MMFusedLSTM：结合帧级和视频级特征进行基于内容的视频相关性预测
文摘：本文介绍了两种对基于内容的视频相关性预测挑战表现最佳的方法。第一种方法是基于 FusedLSTM，融合了 inception-pool3 和 C3D-pool5 特征，使用 LSTM 和密集层来形成嵌入以最小化三重损失函数。第二种方法
PDF6 years ago
M-ADDA：深度度量学习的无监督领域自适应
我们提出了一种度量学习方法和对抗学习相结合的方法（M-ADDA）用于无监督领域自适应，M-ADDA 在提取源和目标数据集的特征时使用了类似 ADDA 的结构，同时优化了一种鼓励目标数据嵌入形成聚类的新损失函数，其中表明在 MNIST 和 U
PDF6 years ago
ICCV人物重识别的深度学习部分对齐表示
本文提出了一种针对人员重新识别问题的方法，即利用人体部分对齐表示以应对身体部位不对齐问题，并通过深度神经网络学习三个步骤，以最小化三元组损失函数来进行学习，这种方法可以更好地应对姿态变化和不同的空间分布情况，并在标准数据集上展现出最优结果。
PDF7 years ago
PN-Net: 用于学习本地图像描述符的三重深度联合网络
本文提出了一种新的学习本地描述符以匹配图像补丁的方法，使用三元组的正面和负面对来训练网络并引入了一种新的损失函数以提高匹配性能。我们将我们的描述符与 MatchNet 和 DeepCompare 进行比较，并证明了我们的优势。
PDF8 years ago