BriefGPT - AI 论文速递
·
基于Simsiam对比学习和监督学习的甲骨文相似字符筛选方法
💡
原文中文，约200字，阅读约需1分钟。
📝
内容提要
本文介绍了一种新的无监督领域适应方法，通过伪标签和约束增强一致性，使模型在磨损、污渍和失真下更加鲁棒。同时，提出了一种无监督的转移损失，在扫描领域上学习更有辨别力的特征。实验结果表明，该方法在Oracle-241数据集上实现了最先进的结果，并且在结构纹理分离网络上性能提升了15.1%。
🎯
关键要点
- 提出了一种新的无监督领域适应方法。
- 通过伪标签和约束增强一致性。
- 从标记的人工手写字符向未标记的扫描数据中传递知识。
- 使模型在磨损、污渍和失真下更加鲁棒。
- 提出了一种无监督的转移损失。
- 通过优化类间和类内转移概率，学习更有辨别力的特征。
- 在Oracle-241数据集上实现了最先进的结果。
- 在结构纹理分离网络上性能提升了15.1%。
➡️
