基于去相关性的自监督视觉表征学习用于作者识别
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了自监督学习在作者识别任务中的应用空白，提出了一种名为SWIS的修订去相关性框架，用于学习分离的笔画特征。研究发现，该方法在作者识别基准测试中显著优于当前的自监督学习框架和多种监督方法，展现了自监督学习在作者验证任务中的潜在影响。
研究比较了多种自监督学习方法在手写验证任务中的表现。结果显示，基于ResNet的VAE在生成式方法中表现最佳，准确度为76.3%；使用VICReg微调的ResNet-18在对比式方法中表现最佳，准确度为78%。在下游任务中，预训练的VAE和VICReg相较于有监督的ResNet-18基准模型，准确度分别提高了6.7%和9%。
