SCS-SupCon：基于 Sigmoid 的通用与风格监督对比学习及自适应决策边界
计算机视觉与模式识别
2025-12-23 v1 机器学习
摘要
图像分类受制于类间细微差异和类内显著变异，限制了现有对比学习方法的效果。基于 InfoNCE 损失的监督对比方法面临负样本稀释问题且缺乏自适应决策边界，从而削弱了细粒度识别任务的判别力。为此，我们提出 Sigmoid 基于通用与风格监督对比学习（SCS-SupCon）。该框架引入带可学习温度和偏置参数的 Sigmoid 基于两两对比损失，以实现自适应决策边界。该表述强调硬负样本，缓解负样本稀释，更有效地利用监督信息。此外，显式风格距离约束进一步解耦风格与内容表征，促进更稳健的特征学习。在包括 CUB200-2011 和 Stanford Dogs 在内的六个基准数据集上进行全面实验，表明 SCS-SupCon 在 CNN 和 Transformer 主干网络上均实现了最新性能。在 ResNet-50 上使用 CIFAR-100 的五折交叉验证中，SCS-SupCon 相较于 SupCon 提升约 3.9 个百分点，相较于 CS-SupCon 提升约 1.7 分钟。在细粒度数据集上，相较于 CS-SupCon 提升 0.4--3.0 分钟。广泛的消融实验和统计分析进一步确认了该框架的鲁棒性和泛化能力，Friedman 检验和 Nemenyi 事后检验验证了观察到的改进稳定性。
引用
@article{arxiv.2512.17954,
title = {SCS-SupCon: Sigmoid-based Common and Style Supervised Contrastive Learning with Adaptive Decision Boundaries},
author = {Bin Wang and Fadi Dornaika},
journal= {arXiv preprint arXiv:2512.17954},
year = {2025}
}