会员服务
度量学习的目的为了衡量样本之间的相近程度，而这也正是模式识别的核心问题之一。大量的机器学习方法，比如K近邻、支持向量机、径向基函数网络等分类方法以及K-means聚类方法，还有一些基于图的方法，其性能好坏都主要有样本之间的相似度量方法的选择决定。 度量学习通常的目标是使同类样本之间的距离尽可能缩小，不同类样本之间的距离尽可能放大。
MDReID: Modality-Decoupled Learning for Any-to-Any Multi-Modal Object Re-Identification
Arxiv
0+阅读 · 10月27日
A Style-Based Profiling Framework for Quantifying the Synthetic-to-Real Gap in Autonomous Driving Datasets
Arxiv
0+阅读 · 10月23日
Hierarchical Re-Classification: Combining Animal Classification Models with Vision Transformers
Arxiv
0+阅读 · 10月16日
Geometry-aware Policy Imitation
Arxiv
0+阅读 · 10月9日
A Review on Riemannian Metric Learning: Closer to You than You Imagine
Arxiv
0+阅读 · 9月30日
Grid-Reg: Detector-Free Gridized Feature Learning and Matching for Large-Scale SAR-Optical Image Registration
Arxiv
0+阅读 · 9月3日
Improving Generalization in Deepfake Detection with Face Foundation Models and Metric Learning
Arxiv
0+阅读 · 8月27日
MLSD: A Novel Few-Shot Learning Approach to Enhance Cross-Target and Cross-Domain Stance Detection
Arxiv
0+阅读 · 9月3日
Riemannian Metric Learning: Closer to You than You Imagine
Arxiv
0+阅读 · 3月7日
Exploring Few-Shot Defect Segmentation in General Industrial Scenarios with Metric Learning and Vision Foundation Models
Arxiv
0+阅读 · 2月11日
Mutual Regression Distance
Arxiv
0+阅读 · 1月18日
Categorical Data Clustering via Value Order Estimated Distance Metric Learning
Arxiv
0+阅读 · 2月16日
Metric Learning with Progressive Self-Distillation for Audio-Visual Embedding Learning
Arxiv
0+阅读 · 1月16日
Fast unsupervised ground metric learning with tree-Wasserstein distance
Arxiv
0+阅读 · 1月10日
Towards Adversarially Robust Deep Metric Learning
Arxiv
0+阅读 · 1月2日
参考链接
父主题
机器学习
微信扫码咨询专知VIP会员
Top