你只需要税务：将分类层级关系集成到对比损失中
计算机视觉与模式识别
2024-06-12 v1
摘要
在本工作中，我们提出了一种新型监督对比损失，使其能够在表示学习过程中集成分类层级信息。监督对比损失通过强制具有相同类别标签的图像（正样本）彼此投影得更接近，而与不同类别标签的图像（负样本）则投射得更远来实现，从而直接惩罚表示空间的结构。这使我们能够更灵活地对编码语义概念。然而，标准监督对比损失仅基于下游任务（即类别标签）来强制语义结构。在现实中，类别标签仅是不同语义关系层级（即分类学）的一个层级。例如，类别标签常常是动物的种类，但在不同类别之间存在更高阶关系，如所有具有翅膀的动物为“鸟类”。我们展示，通过在对比损失中显式地考虑这些关系并施加加权惩罚，可超越监督对比损失。此外，我们演示了将分类学概念集成到医疗和噪声基环境中的适应性，其表现提升幅度可达 7%。
引用
@article{arxiv.2406.06847,
title = {Generalized W-Net: Arbitrary-style Chinese Character Synthesization},
author = {Haochuan Jiang and Guanyu Yang and Fei Cheng and Kaizhu Huang},
journal= {arXiv preprint arXiv:2406.06847},
year = {2024}
}