Knowledge Commons of Institute of Automation,CAS
深度对比学习综述 | |
张重生; 陈杰; 李岐龙; 邓斌权; 王杰; 陈承功 | |
发表期刊 | 自动化学报 |
ISSN | 0254-4156 |
2023 | |
卷号 | 49期号:1页码:15-39 |
摘要 | 在深度学习中,如何利用大量、易获取的无标注数据增强神经网络模型的特征表达能力,是一个具有重要意义的研究问题,而对比学习是解决该问题的有效方法之一,近年来得到了学术界的广泛关注,涌现出一大批新的研究方法和成果.本文综合考察对比学习近年的发展和进步,提出一种新的面向对比学习的归类方法,该方法将现有对比学习方法归纳为5类,包括:1)样本对构造; 2)图像增广; 3)网络架构; 4)损失函数; 5)应用.基于提出的归类方法,对现有对比研究成果进行系统综述,并评述代表性方法的技术特点和区别,系统对比分析现有对比学习方法在不同基准数据集上的性能表现.本文还将梳理对比学习的学术发展史,并探讨对比学习与自监督学习、度量学习的区别和联系.最后,本文将讨论对比学习的现存挑战,并展望未来发展方向和趋势. |
关键词 | 对比学习 深度学习 特征提取 自监督学习 度量学习 |
DOI | 10.16383/j.aas.c220421 |
引用统计 | |
文献类型 | 期刊论文 |
条目标识符 | http://ir.ia.ac.cn/handle/173211/56206 |
专题 | 学术期刊_自动化学报 |
推荐引用方式 GB/T 7714 | 张重生,陈杰,李岐龙,等. 深度对比学习综述[J]. 自动化学报,2023,49(1):15-39. |
APA | 张重生,陈杰,李岐龙,邓斌权,王杰,&陈承功.(2023).深度对比学习综述.自动化学报,49(1),15-39. |
MLA | 张重生,et al."深度对比学习综述".自动化学报 49.1(2023):15-39. |
条目包含的文件 | 下载所有文件 | |||||
文件名称/大小 | 文献类型 | 版本类型 | 开放类型 | 使用许可 | ||
AAS-CN-2022-0421.pdf(5378KB) | 期刊论文 | 出版稿 | 开放获取 | CC BY-NC-SA | 浏览 下载 |
个性服务 |
推荐该条目 |
保存到收藏夹 |
查看访问统计 |
导出为Endnote文件 |
谷歌学术 |
谷歌学术中相似的文章 |
[张重生]的文章 |
[陈杰]的文章 |
[李岐龙]的文章 |
百度学术 |
百度学术中相似的文章 |
[张重生]的文章 |
[陈杰]的文章 |
[李岐龙]的文章 |
必应学术 |
必应学术中相似的文章 |
[张重生]的文章 |
[陈杰]的文章 |
[李岐龙]的文章 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论