BriefGPT - AI 论文速递
·
任务增强的跨视图插补网络用于部分多视图不完整多标签分类
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文提出了一种基于深度神经网络的掩码两通道解耦框架，用于解决复杂的多视角弱多标签学习任务。该框架将单通道视图级表示解耦为共享表示和视图专有表示，并设计了交叉通道对比损失以增强语义属性。同时，利用监督信息设计了标签引导的图正则化损失，帮助提取的嵌入特征保持几何结构，并采用随机片段掩码策略改善编码器的学习能力。该模型适应任意视图和标签缺失，并在实验证明了其有效性和先进性。
🎯
关键要点
- 提出了一种基于深度神经网络的掩码两通道解耦框架。
- 该框架用于解决复杂的多视角弱多标签学习任务。
- 将单通道视图级表示解耦为共享表示和视图专有表示。
- 设计了交叉通道对比损失以增强语义属性。
- 利用监督信息设计了标签引导的图正则化损失，保持几何结构。
- 采用随机片段掩码策略改善编码器的学习能力。
- 模型适应任意视图和标签缺失，表现良好。
- 实验证明了模型的有效性和先进性。
🏷️
标签
➡️
