改进样本相似性图的对比学习中的 $\mathbb {X}$- 样本对比损失
原文中文,约300字,阅读约需1分钟。发表于: 。通过修改相似性图表以明确样本之间的关系,我们重新设计了标准对比损失函数,以获得更好的表征学习,它在视觉模型中优于自监督学习和视觉语言模型,同时鼓励模型学习将对象与其属性和背景分离。
研究提出了一种名为GraphRank的图对比学习模型,通过引入基于排名的学习来测量相似度得分,成功解决了虚假负样本问题,并在多个图任务上展开了广泛实验,表现优异。
通过修改相似性图表以明确样本之间的关系,我们重新设计了标准对比损失函数,以获得更好的表征学习,它在视觉模型中优于自监督学习和视觉语言模型,同时鼓励模型学习将对象与其属性和背景分离。
研究提出了一种名为GraphRank的图对比学习模型,通过引入基于排名的学习来测量相似度得分,成功解决了虚假负样本问题,并在多个图任务上展开了广泛实验,表现优异。