Semi-Supervising Learning, Transfer Learning, and Knowledge Distillation with SimCLR 半教師あり学習の分野における最近の進歩により、最先端の従来の教師あり学習方法と一致する結果が得られました。コンピュータビジョンで最も成功している半教師あり学習アプローチは、大量のラベルなしデータの活用、データ拡張と変換による一般的な表現の学習、疑似ラベルの作成、さまざまな損失関数の実装、そして最終的にはこの知識をよりタスク固有の小さなモデルに転送することに焦点を当てています。 。このホワイトペーパーでは、コンピュータビジョンの現在の最先端の半教師あり学習フレームワークであるSimCLRの3つの異なる側面について分析を行うことを目的としています。まず、コントラスト学習がこの方法を成功させる要因であると理解しているため、微調整
この作業では、グローバルおよびローカルの注意を意識した視覚的特徴を生成するための自己教師あり学習の新しい方法論を提案します。私たちのアプローチは、入力サンプルの特定の画像変換とパッチを適用した画像を区別するためのモデルのトレーニングに基づいています。このアプローチを利用することで、提案された方法は、Tiny-ImageNetデータセットで1.03%、STL-10データセットで2.32%、以前の最高の競合他社を上回ることができます。さらに、私たちのアプローチは、STL-10データセットの完全教師あり学習方法よりも優れています。実験結果と視覚化は、グローバルおよびローカルの注意を意識した視覚的表現をうまく学習する能力を示しています。 In this work, we propose a novel methodology for self-supervised learning for gen
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く