representation 第7页

HRNet（cvpr2019）：Deep High-Resolution Representation Learning for Human Pose Estimation （并行高分辨率保持）

DeepHigh-ResolutionRepresentationLearningforHumanPoseEstimation（CVPR2019）HRNet由微软亚洲研究院和中科大共同提出。定义了一个通用的计算机视觉网络框架HRNet，在图像分类，语义分割，目标检测，人脸特征点检测等多个任务上的测试结果全面吊打当前网络框架，不仅精度提升了，网络参数量和计算量也降低了，并且给出了大量实验对比结果（主

Sesen_s·2023-01-11 20:00

March 11-Deep High-Resolution Representation Learning for Human Pose Estimation-paper reading

https://blog.csdn.net/ls83776736/article/details/87993726这篇文章的博主也是对于此文做了简单的介绍论文原文下载https://github.com/leoxiaobin/deep-high-resolution-net.pytorch原文作者的代码在这里，这是CVPR2019年的大作～下面这幅图是本文提出的HRNet的模型的主要结构。这个模型

欢仔·2023-01-11 20:29

Deep High-Resolution Representation Learning for Human Pose Estimation相关链接收藏

璐璐yao·2023-01-11 20:27

HRNet：Deep High-Resolution Representation Learning for...（论文解读二十五）

Title：DeepHigh-ResolutionRepresentationLearningforHumanPoseEstimation（HRNet）Code：PyTorchFrom：CVPR2019Notedata：2020/02/28Abstract：区别以往的一些方法从高到低分辨率网络产生的低分辨率图像再恢复到高分辨率，HRNet整个过程都保持高分辨率目录Abstract1Introduc

Jayden yang·2023-01-11 20:27

（粗翻译）Deep High-Resolution Representation Learning for Human Pose Estimation——CVPR2019

用于人体姿态估计的深度高分辨率表示学习摘要在这篇论文中，作者着力于解决人类的姿态估计问题，此问题的重点是学习可靠的高分辨率表示。现有的大多数方法从“高分辨率到低分辨率网络”生成的低分辨率表示中恢复出高分辨率表示。相反，作者提出的网络在整个过程中均保持高分辨率表示。作者首先使用一个高分辨率的子网作为第一级，逐步增加高分辨率到低分辨率的子网，形成多个级，多分辨率子网并行连接。作者进行重复的多尺度融合，

hshs0594·2023-01-11 20:24

Deep High-Resolution Representation Learning for Human Pose Estimation

DeepHigh-ResolutionRepresentationLearningforHumanPoseEstimation2019-08-3022:05:59Paper:CVPR-2019,arXivCode:https://github.com/leoxiaobin/deep-high-resolution-net.pytorchRelatedWorks:1.High-ResolutionR

a1424262219·2023-01-11 20:21

【论文阅读-姿态估计】 CVPR2019_Deep High-Resolution Representation Learning for Human Pose Estimation

作者来自中科大和微软亚洲研究院论文链接：DeepHigh-ResolutionRepresentationLearningforHumanPoseEstimation_CVPR2019代码链接：https://github.com/leoxiaobin/deep-high-resolution-net.pytorch主要思想：本篇文章提出了一个高分辨率姿态估计模型。现有的姿态估计网络模型在提取特征

乐乐lelele·2023-01-11 20:51

CVPR-2019 | Deep High-Resolution Representation Learning for Human Pose Estimation

论文标题DeepHigh-ResolutionRepresentationLearningforHumanPoseEstimation论文链接https://arxiv.org/abs/1902.09212论文代码https://github.com/leoxiaobin/deep-high-resolution-net.pytorch创新点1、分辨率从高到低的结构设计(在此领域之前都是从低维特征

小鹏AI·2023-01-11 20:49

时序图文献精度——3.2019-NeurlPS-Self-attention with Functional Time Representation Learning

Self-attentionwithFunctionalTimeRepresentationLearning1.Abstract为了弥合建模时间无关和时间相关事件序列之间的差距，作者引入了一个功能特征图，将时间跨度嵌入到高维空间中。通过构造相应的平移不变时间核函数，揭示了经典函数分析结果，即Bochner定理和Mercer定理下特征映射的函数形式。我们提出了几个模型来学习函数时间表示以及与事件表示

头发没了还会再长·2023-01-11 10:00

An Efficient Representation for Irradiance Environment Maps论文阅读笔记

AnEfficientRepresentationforIrradianceEnvironmentMaps看这篇文章是因为用到了颜色相似度比较的技术，但是这个方法太过复杂，还是考虑其他方法吧。摘要：我们考虑在远距离照明下的漫射物体的渲染，如环境图所指定的。利用照明球谐系数对辐照度的解析表达式，我们发现只需要计算和使用9个系数，对应于照明的最低频率模式，才能达到平均误差仅为1%。换句话说，辐照度对照

只会写bug的菜鸡·2023-01-11 07:53

讲座笔记：Representation Learning on Networks

1传统机器学习传统机器学习需要进行很多的特征工程我们希望模型自动学习特征，而不是用人为特征工程的方式1.1目标1.2难点graph更复杂，CNN和RNN很难直接应用——>复杂的拓扑结构（不像CNN有网格的概念）——>没有固定的节点的顺序，一般情况下也没有参照点（这会导致同构图问题）——>图经常是动态的——>图经常有多模态的特征2Nodeembedding2.1目标将graph上的点嵌入至d维向量，

UQI-LIUWJ·2023-01-10 17:01

当GNN遇见NLP(五) Sentence-State LSTM for Text Representation，ACL2018 +核心代码详解（pytorch）

本文作者来自SingaporeUniversityofTechnologyandDesign以及DepartmentofComputerScience,UniversityofRochester。虽然本文中没有提到图神经网络的概念，但是从其实际操作上还是被归类为图的空间方法的一种。本文为了克服了BiLSTM局限于顺序文本的缺点，提出了新的模型S-LSTM，利用Recurrentsteps在单词之间

五月的echo·2023-01-10 08:56

GraphSage:Inductive Representation Learning on Large Graphs

目录简介前期知识储备论文结构学习目标论文研究背景、成果及意义研究背景模型框架研究意义论文泛读摘要论文小标题论文精读论文算法模型总览GNN结构GraphSAGE结构论文算法模型的细节细节一：模型框架细节二：无监督/有监督细节三：多种aggregator函数细节四：batch训练算法细节五：理论分析实验设置和结果分析实验设计归纳式节点点分类实验运行效率和参数分析不同aggregator函数分析论文总结

尧景·2023-01-09 21:33

word2vec的cbow

ContinuousBag-of-Words)的目的是用一个词附近的几个词来表示这个词，比如一句话“曾经有一份真诚的爱情摆在我的面前“cbow就是要用神经网络把“曾经有一份真诚的”和“在我的面前”这两坨东西来表现(representation

秦老司·2023-01-09 03:45

机器学习笔记之概率图模型(四)基于贝叶斯网络的模型概述

基于贝叶斯网络的模型概述引言基于贝叶斯网络的模型场景构建朴素贝叶斯分类器混合模型基于时间变化的模型特征是连续型随机变量的贝叶斯网络动态概率图模型总结引言上一节介绍了判别变量/特征之间是否具备条件独立性的方法——D\mathcalDD划分，本节从贝叶斯网络整体出发，总结贝叶斯网络家族中包含哪些模型(Representation

静静的喝酒·2023-01-08 08:15

Monocular 3D Object Detection and Box Fitting Trained End-to-End Using Intersection-over-Union Loss

Monocular3DObjectDetectionandBoxFittingTrainedEnd-to-EndUsingIntersection-over-UnionLossinsights3DIoulossHomoscedasticnoiseHeteroscedasticnoise3D框的representation

fourye007·2023-01-06 16:25

论文阅读 [TPAMI-2022] Unsupervised Heterogeneous Coupling Learning for Categorical Representation

论文阅读[TPAMI-2022]UnsupervisedHeterogeneousCouplingLearningforCategoricalRepresentation论文搜索(studyai.com)搜索论文:UnsupervisedHeterogeneousCouplingLearningforCategoricalRepresentation搜索论文:http://www.studyai.

北岭狼人·2023-01-06 15:23

17_2Representation Learning and Generative Learning Deep Convolutional_Progressive Growing Style GAN

17_RepresentationTying权重CNNRNNdenoisingSparseAutoencoder_潜在loss_accuracy_TSNE_KLDivergence_L1_hasingAutoencoders:https://blog.csdn.net/Linli522362242/article/details/116576478cp17_GANforSynthesizingDa

LIQING LIN·2023-01-06 11:43

【NLP基础理论】10 上下文表示（Contextual Representation）

注：UnimelbComp90042NLP笔记相关tutorial代码链接本文除去COMP90042笔记之外还参考了李宏毅的视频和其他链接（在文中已标出）。上下文表示目录上下文表示1ELMo1.1简介1.2提取上下文表示内容1.2.1上下文v.s.非上下文1.2.2上下文表示的缺点2BERT2.1前提回顾2.2简介2.3BERT目的2.3.1目的1：屏蔽语言模型（MaskedLanguageMod

无名草鸟·2023-01-03 22:19

【论文导读】Learning Causal Semantic Representation forOut-of-Distribution Prediction

(NeurIPS2021)的一篇微软亚洲研究院的论文，看看。这一篇论文主要是提出了一种新的方法CSG，可以识别因果变量和混杂因子，并通过ELBO的重述使得把这两个任务合并为一个。并给出了部分理论保证。【补充】发现一个知乎上的整理也贴在这里《LearningCausalSemanticRepresentationforOut-of-DistributionPrediction》部分内容整理翻译-知乎

ViviranZ·2023-01-03 18:15

TGAT：INDUCTIVE REPRESENTATION LEARNING ON TEMPORAL GRAPHS 论文笔记

INDUCTIVEREPRESENTATIONLEARNINGONTEMPORALGRAPHS摘要简介TGAT框架TimeEncoding函数时序图注意力层（TGATlayer）如果边上有不同的特征实验实验设置LossFunction摘要在时序图上进行推断式表示学习十分重要。作者提出节点embedding应该同时包括静态节点特征以及变化的拓扑特征。作者提出的TGAT模型以自注意力机制为基础并根据谐

年年年年年·2023-01-03 08:01

HRNet（Deep High-Resolution Representation Learning for Visual Recognition）-人体姿态估计

人体姿态估计人体姿态估计是从一副输入的原始图像中估计人体的各个关键点的位置，例如膝盖，臀部，肘部等。如下图所示，使用线条连接了身体部位的各个关键点的位置。人体姿态估计任务应用于训练机器人，例如人形机器人；要学习某些动作，就要学习和模仿人的动作。同样，在一些人机用户的应用中，也有着相当多的应用，例如康复设备，AR/VR等。目前主流的人体估计方法都是基于卷积神经网络，这也是我们几天要说的HRNet基础

轩辕小猪·2023-01-03 07:50

GRAM: Graph-based Attention Model for Healthcare Representation Learning文献阅读记录

Abstract目前的深度学习模型在医疗领域的应用面临着两个问题：数据不充分：深度学习的模型需要比较大的数据量，在医疗领域的建模有时数据量不太够解释性：表示学习所学得的方法应该能够与医学知识匹配Introduction本文首先介绍了一下EHR在医疗领域的应用，不再赘述。然后提到关于训练深度学习模型时可能面临的数据量不足的问题。举例说明了cerebraldegenerations(e.g.Leuko

Worldora-·2023-01-02 08:04

VIRT: Improving Representation-based Models for Text Matching through Virtual Interaction

VIRT：通过虚拟交互改进基于表示的文本匹配模型DanLi1,YangYang2,HongyinTang2,JingangWang2,TongXu1,WeiWu2,EnhongChen11UniversityofScienceandTechnologyofChina2Meituanlidan528@mail.ustc.edu.cn,{yangyang113,tanghongyin,wangjing

黑子小明·2023-01-02 08:33

[EMNLP 2022] VIRT: Improving Representation-based Text Matching via Virtual Interaction

Motivation论文地址：URL双塔模型缺乏文本对之间的交互，性能较差。有一些工作提出了后交互策略，包括MLPlayers，cross-attentionlayers，Transformerlayers等。然而，这些交互模块是在编码器之后添加的，而编码器编码过程中的交互仍然被忽略，与基于交互的模型相比，有很大的性能差距。MethodologyPreliminariesInteraction-b

默默无闻的[UNK]·2023-01-02 08:02

吴恩达机器学习（七）—— 神经网络：Representation

吴恩达机器学习系列内容的学习目录→\rightarrow→吴恩达机器学习系列内容汇总。1.非线性假设2.神经元和大脑3.模型表示I4.模型表示II5.多类别分类神经网络最初是一个生物学的概念，一般是指大脑神经元、触点、细胞等组成的网络，用于产生意识，帮助生物思考和行动，后来人工智能受神经网络的启发，发展出了人工神经网络。人工神经网络（ArtificialNeuralNetworks，简写为

大彤小忆·2023-01-02 07:31

【论文&模型讲解】VideoBERT: A Joint Model for Video and Language Representation Learning

文章目录前言0摘要1Introduction2相关工作3模型3.1BERT3.2VideoBERT4实验与分析4.1数据集4.2视频和语言预处理4.3模型预训练4.4zero-shot动作分类4.5大型训练集的好处4.6迁移学习captioning5结论前言论文标题：VideoBERT:AJointModelforVideoandLanguageRepresentationLearning

friedrichor·2023-01-01 15:40

知识图谱研究最新综述论文: 表示学习、知识获取与应用

ShaoxiongJi,ShiruiPan,ErikCambria,PekkaMarttinen,PhilipS.Yu等学者发表了关于知识图谱的最新综述论文《ASurveyonKnowledgeGraphs:Representation

fkyyly·2023-01-01 14:42

【论文阅读】WWW21 Graph Topic Neural Network for Document Representation

文章目录BackgroundMotivationIdeaChallengesRelatedPaperModelGraphConstructionBipartiteGraphMessagePassing（BGMP）Intra-domainmessagepropagation（IAMP）Inter-domainmessagepassingFinalhiddenrepresentationgenerat

duanyuchen·2023-01-01 13:54

论文精读:YOLOR:You Only Learn One Representation: Unified Network for Multiple Tasks

Abstract人类的经验可以通过正常的学习（我们称之为外显知识），或者潜意识地（我们称之为内隐知识）来学习。这些通过正常学习或潜意识学到的经验将被编码并存储在大脑中。利用这些丰富的经验作为一个巨大的数据库，人类可以有效地处理数据，即使它们是事先没有看到的。在本文中，作者提出了一个统一的网络，将内隐知识和外显知识一起编码.统一的网络可以生成一个统一的表示法，同时服务于各种任务。我们可以在卷积神经网

樱花的浪漫·2022-12-31 09:34

【无标题】graphsage--inductive representation learing on large graphs

一、简单的总结1、graphSASE针对新点甚至新图，主要训练aggregate函数2、论文最后讨论未来可能的方向：subgraphembedding，邻居采样方式，多模态图二、数据集1、citationdata：undirectedcitationgraph，6labels，302424nodes，X=nodedegree+sentenceembedding2、redditdata:undire

北风_A·2022-12-31 08:47

文献阅读（72）WWW2022-TREND: TempoRal Event and Node Dynamics for Graph Representation Learning

本文是对《TREND:TempoRalEventandNodeDynamicsforGraphRepresentationLearning》一文的总结，如有侵权即刻删除。朋友们，我们在github创建了一个图学习笔记库，总结了相关文章的论文、代码和我个人的中文笔记，能够帮助大家更加便捷地找到对应论文，欢迎star~Chinese-Reading-Notes-of-Graph-Learning更多相

学徒刘猛·2022-12-30 11:28

Momentum Contrast for Unsupervised Visual Representation Learning----论文阅读2020 CVPR KaiMing

MomentumContrastforUnsupervisedVisualRepresentationLearning----论文阅读2020CVPRKaiMing参考博客前文1.Introduction2.RelatedWorkpretexttaskandlossfunctionslossfunctions------ContrastivelossespretexttaskContrastive

落了一地秋·2022-12-30 10:48

【论文笔记】【CVPR2020】 (MoCo) Momentum Contrast for Unsupervised Visual Representation Learning

KaimingHe,HaoqiFan,YuxinWu,SainingXie,RossGirshickCVPR2020BestPaperCode:https://github.com/facebookresearch/moco0ContrastLearning0.1PretextTask正样本之间拉近，负样本推远对比学习的优势在于非常灵活，只要能用合适的方法找到正样本和负样本就可以InstanceD

Merengue_l·2022-12-30 10:18

【对比学习】Momentum Contrast for Unsupervised Visual Representation Learning

本篇论文是一篇采用对比学习的无监督视觉表征学习。对比学习是将数据中的某一个数据及其增广数据作为正样本，剩余数据作为负样本，通过缩小正样本之间的距离，扩大正负样本之间的距离来学习数据特征，为下游任务提供了良好的特征。正负样本的选择方法叫做pretexttask，为自监督学习提供监督信号，进行自监督训练。文中的pretexttask是采用的instancediscriminationtask，是把数据

S L N·2022-12-30 10:47

MoCo: Momentum Contrast for Unsupervised Visual Representation Learning

目录IntroductionMethodContrastiveLearningasDictionaryLook-upMomentumContrastPretextTaskPseudocodeofMoCoExperimentsLinearClassificationProtocolTransferringFeaturesReferencesIntroductionContrastivelearnin

连理o·2022-12-30 10:46

对比学习论文——[MoCo,CVPR2020]Momentum Contrast for Unsupervised Visual Representation Learning

目录对比学习简述MoCo的创新动机lossfunction：InfoNCEMoCo的流程伪代码实验和结论对比学习简述假设由三张图片，其中两张是人，一张是狗。将三张图片都通过同一个神经网络，得到特征空间中的三个特征f1f_1f1，f2f_2f2，f3f_3f3，假设前两个是人对应的特征，后一个是狗对应的特征。对比学习要做的就是让f1f_1f1和f2f_2f2在特征空间中尽可能接近，并且两者都要和f3

umbrellalalalala·2022-12-30 10:44

论文阅读——MoCo：Momentum Contrast for Unsupervised Visual Representation Learning

不放翻译了，大家喜欢的可以搜索题目去谷歌学术下载~样本数量对于对比学习很重要，提出一种动量对比的方法来提高每个mini-batch中负样本的数量。左边的是查询的样本，右侧的是一个字典，存储的是一组数据样本，分别通过不同的编码器网络提取特征，通过最小化特征之间的对比损失函数进行编码网络的更新。x_q代表某一图片p_q的图像增强操作（包括旋转、平移、裁剪等）后的一个矩阵;x_k代表多张图片p_k（p_

coding小白·2022-12-30 10:13

论文阅读“Momentum contrast for unsupervised visual representation learning”（CVPR2020）

论文标题Momentumcontrastforunsupervisedvisualrepresentationlearning论文作者、链接作者：He,KaimingandFan,HaoqiandWu,YuxinandXie,SainingandGirshick,Ross链接：CVPR2020OpenAccessRepository代码：https://github.com/facebookres

不吃香菜的zbw·2022-12-30 10:12

Momentum contrast for unsupervised visual representation learning（MoCo)简单讲解

1.前置知识：Q:对比学习如何确定图片相似或者不同？A:代理任务（Pretexttask)人为的定义一些规则，说明哪些图片是相似的，哪些图像是不相似的代理任务（instancediscrimination）：从一张图片中经过（裁剪，数据增广等变化）得到两张处理过的图像，这两张图像是同一类的，数据集中的其他图片都不是同一类的（即imagenet中就有一百多万种类别）momentum:yt=m⋅yt−

暄染落墨·2022-12-30 10:12

MoCo翻译 Momentum Contrast for Unsupervised Visual Representation Learning 翻译

点击下载论文无监督视觉表征学习中的动量对比摘要我们提出了用于无监督视觉表征学习的动量对比度（MoCo)。从对比学习（29）作为字典查找的角度来看，我们构建了一个带有队列和移动平均编码器的动态字典。这使我们能够动态地构建一个大而一致的字典，从而促进对比无监督学习。MoCo在通用的线性协议下表现出了具有竞争力的ImageNet分类结果。更重要的是，MoCo学习到的表征能很好的转移到下游任务中去。在PA

jjw_zyfx·2022-12-30 10:37

重读经典：《Momentum Contrast for Unsupervised Visual Representation Learning》

MoCo论文逐段精读【论文精读】这次论文精读李沐博士继续邀请了亚马逊计算机视觉专家朱毅博士来精读MomentumContrast（MoCo)，强烈推荐大家去看本次的论文精读视频。朱毅博士和上次一样讲解地非常详细，几乎是逐词逐句地讲解，在讲解时把MoCo相关领域的研究也都介绍了，听完之后收获满满。MoCo获得了CVPR2020最佳论文提名，是视觉领域使用对比学习的一个里程碑工作。对比学习目前也是机器

自动驾驶小学生·2022-12-30 10:06

深度学习(自监督:MoCo)——Momentum Contrast for Unsupervised Visual Representation Learning

文章目录前言自监督简述MoCo简述如何产生正例如何产生负例如何更新momentumencoder算法伪代码思考为什么要存在负例MoCo的负例通过queue提供有什么好处为什么需要momentumencoder前言本篇文章是何凯明老师在CVPR2020上的文章文章地址：链接代码地址：链接本文前半部分将对自监督任务做一个简短介绍，包括自监督任务中常见的损失函数——InfoNCE、自监督的用途、自监督的

菜到怀疑人生·2022-12-30 10:06

MoCo：Momentum Contrast for Unsupervised Visual Representation Learning 论文笔记

MoCo：MomentumContrastforUnsupervisedVisualRepresentationLearning论文笔记 1ABSTRACT理论贡献：提出用于无监督视觉表示学习的动量对比度（MoCo），从作为字典查找的对比学习的角度来看，构建了带有队列和移动平均编码器的动态字典，可以动态地构建大型且一致的词典，促进对比性无监督学习。实验证明：MoCo在ImageNet分类的线性分类

New WR·2022-12-30 10:33

论文阅读《Momentum Contrast for Unsupervised Visual Representation Learning（MoCo）》

Background＆Motivation在NLP领域，无监督的学习方法已经取得了很大的成功，而在CV领域监督学习预训练的方法依然占主导地位。文中分析是因为语言任务是离散的信号空间（words，sub-wordunits），而视觉任务中原始信号是连续、高维的并且不像words那样是为人类交流构造的。这是一篇用无监督的方法实现对比学习（contrastivelearning）的文章，此前的方法使用的

不说话装高手H·2022-12-30 10:32

MoCo论文：Momentum Contrast for Unsupervised Visual Representation Learning

目录一.引言二.背景介绍：对比学习三.标题和作者四.动量方式：五.摘要六.相关工作七.结论八.MoCo方法九.MoCo伪代码十.文章贡献10.1第一个贡献：如何把一个字典看成队列10.2文章的第二个贡献：如何使用动量的思想去更新编码器十一.两种架构11.1第一种就是比较直接的端到端学习的方式11.2memorybank（更关注字典的大小，而牺牲一些一致性）11.3MoCo:解决字典大小和特征一致性

cv_lhp·2022-12-30 10:28

【论文阅读】GRACE：Deep Graph Contrastive Representation Learning

代码链接：https://github.com/CRIPAC-DIG/GRACE目录摘要1引言2GRACE2.1准备工作2.2节点表示的对比学习2.2.1对比学习框架2.2.2视图生成3实验摘要本文提出了一个利用节点级对比目标的无监督图表示学习框架。具体来说，我们通过corruption生成两个视图，并通过最大化这两个视图中节点表示的一致性来学习节点表示。为了为对比目标提供不同的节点上下文，我们提

Cziun·2022-12-29 13:29

自监督学习UNSUPERVISED REPRESENTATION LEARNING BY PREDICTING IMAGE ROTATIONS论文笔记

文章目录一、自监督简介1.监督和无监督学习2.无监督学习3.自监督学习二、论文内容0.辅助任务1.出发点2.符号假设3.网络模型4.优点三、实验结果1.CIFAR实验a.评估学习到的特征层次结构b.探讨学习到的特征质量和辅助任务旋转角度之间的关系c.对比实验2.在IMageNet上不同任务的实验结果a.分类任务参考文献一、自监督简介关于自监督部分内容参考Self-supervisedLearnin

像风一样自由的小周·2022-12-29 02:29

MoCO ——Momentum Contrast for Unsupervised Visual Representation Learning

Title:MomentumContrastforUnsupervisedVisualRepresentationLearning作者：KaimingHeHaoqiFanYuxinWuSainingXieRossGirshick发表单位：FacebookAIResearch(FAIR)关键词：clip、多模态论文：https://arxiv.org/pdf/1911.05722代码：https:/

其实也很简单·2022-12-29 00:09

Momentum Contrast for Unsupervised Visual Representation Learning

MOCO一、对比学习简单来描述一下对比学习：机器通过学习特征知道上面图一和图二是相似的，而图三和他们俩是不相似的。机器不需要知道具体的label是什么，经过网络之后得到图片对应的特征，我们希望通过对比学习能够把相似图片的特征拉近，不相似的远离。（像聚类一样）如何得到相似的图片、不相似的图片？通过设置代理任务—pretexttaskpretexttask利用pretexttask来定义图片是否相似的

Linaaa~·2022-12-29 00:08

推荐频道

representation