跨异构视图的多视图自表示学习
计算机视觉与模式识别
2026-02-05 v1
摘要
由不同预训练模型生成的同一样本特征往往表现出内在的不同特征分布，因为预训练目标或体系结构存在差异。从大规模无标签视觉数据中使用各种预训练模型进行完全无监督的迁移学习以学习不变表示仍是一个重大挑战。本文提出了一种多视图自表示学习（MSRL）方法，通过利用异构视图之间特征的自表示属性来学习不变表示。通过与各种预训练模型进行迁移学习从大规模无标签视觉数据中获得特征，称为异构多视图数据。在每个对应的冻结预训练主干网络上堆叠一个线性模型。我们引入一种基于自表示学习的信息传递机制，以支持对线性模型输出的特征聚合。此外，提出了一种分配概率分布一致性方案，通过利用不同视图之间的互补信息来指导多视图自表示学习。因此，通过该方案强制执行跨不同线性模型的表示不变性。此外，我们对信息传递机制、分配概率分布一致性和增量视图的理论分析。大量实验表明，所提出的 MSRL 方法在多个基准视觉数据集上 consistently 优于 several state-of-the-art 方法。
引用
@article{arxiv.2602.04328,
title = {Multiview Self-Representation Learning across Heterogeneous Views},
author = {Jie Chen and Zhu Wang and Chuanbin Liu and Xi Peng},
journal= {arXiv preprint arXiv:2602.04328},
year = {2026}
}
备注
12 pages