改进成像中的自监督学习：超越线性度量
计算机视觉与模式识别
2022-10-14 v2 机器学习
图像与视频处理
摘要
本文引入了一种新的统计视角，利用 Jaccard 相似度度量作为一种基于度量的指标，在自监督对比学习的损失中有效调用非线性特征。具体而言，我们提出的度量可解释为从所谓潜在表示中学习到的两个适配投影之间的依赖性度量。这与传统对比学习模型中解释相关性信息的余弦相似度度量形成对比。据我们所知，这种嵌入在 Jaccard 相似度中、有效的非线性融合信息，对于自监督学习而言是新颖的，并展现出有前景的结果。所提方法在三个图像数据集上与两种最先进的自监督对比学习方法进行了比较。我们不仅展示了其在当前机器学习问题中的良好适用性，还展示了其改进的性能与训练效率。
引用
@article{arxiv.2202.12921,
title = {Refining Self-Supervised Learning in Imaging: Beyond Linear Metric},
author = {Bo Jiang and Hamid Krim and Tianfu Wu and Derya Cansever},
journal= {arXiv preprint arXiv:2202.12921},
year = {2022}
}