本文提出了一種利用“無中生有”的監督方式，用于跨模態哈希編碼。現存的跨模態哈希編碼分為有監督和無監督兩類，前者通常精度更高，但依賴于圖像級標注信息，以生成相似度矩陣。本方法創新性地提出，利用無監督的哈希方法產生圖像特征，并利用圖像特征計算相似度矩陣，從而繞開了對監督信號的需求，在不增加標注代價的情況下，提升了跨模態哈希編碼的精度，超過了所有無監督的編碼方法。本文還分析了圖像特征和文本特征在相似度計算中的作用，并且討論了這種方法在類似場景中的應用。
付費5元查看完整內容
相關內容
從圖像中進行自監督學習的目標是通過不需要對大量訓練圖像進行語義注釋的前置任務來構造語義上有意義的圖像表示。許多前置任務導致與圖像變換協變的表示。相反，我們認為語義表示在這種轉換下應該是不變的。具體來說，我們開發了前置不變表示學習(PIRL，發音為“pearl”)，該學習基于前置任務的不變表示。我們將PIRL與一個常用的前置任務一起使用，該任務涉及解決拼圖游戲。我們發現，PIRL極大地提高了學習圖像表示的語義質量。我們的方法設置了一個新的藝術的自監督學習從圖像上幾個流行的基準自我監督學習。盡管是無監督的，但PIRL在學習圖像表示和目標檢測方面的表現優于有監督的前訓練。總之，我們的結果證明了具有良好不變性的圖像表示的自監督學習的潛力。
付費5元查看完整內容
人工智能技術在醫學影像領域的應用是醫學研究的熱點之一。然而，這一領域最近的成功主要依賴于大量仔細注釋的數據，而對醫學圖像進行注釋是一個昂貴的過程。在本文中，我們提出了一種新的方法，稱為FocalMix，據我們所知，這是第一個利用半監督學習(SSL)的最新進展來進行3D醫學圖像檢測的方法。我們對兩個廣泛應用的肺結節檢測數據集LUNA16和NLST進行了廣泛的實驗。結果表明，與最先進的監督學習方法相比，我們提出的SSL方法可以通過400個未標記的CT掃描實現高達17.3%的實質性改進。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191