自适应软对比学习
计算机视觉与模式识别
2022-12-06 v1
摘要
自监督学习近期在无人工标注的表示学习中取得了巨大成功。主流方法——即对比学习，通常基于实例判别任务，亦即个体样本被视为独立的类别。然而，假定所有样本均不同，与常见视觉数据集中相似样本的自然分组（例如同一只狗的多个视角）相矛盾。为弥补这一差距，本文提出一种引入软样本间关系的自适应方法，即自适应软对比学习（ASCL）。更具体地，ASCL将原始的实例判别任务转化为多实例软判别任务，并自适应地引入样本间关系。作为现有自监督学习框架的有效且简洁的插件模块，ASCL在多个基准上于性能与效率两方面均取得最佳表现。代码见 https://github.com/MrChenFeng/ASCL_ICPR2022。
引用
@article{arxiv.2207.11163,
title = {Adaptive Soft Contrastive Learning},
author = {Chen Feng and Ioannis Patras},
journal= {arXiv preprint arXiv:2207.11163},
year = {2022}
}
备注
Accepted to ICPR2022