为了让模型学习到丰富的多领域知识,使用共有信号提供多个领域信息提升泛化能力,本文提出利用集群原型表征不同领域信息,利用对比学习,增强不同领域相同类别共性,增强不同类别差异性,称为集群原型对比学习(Cluster Prototypes Contrastive Learning);为了避免朝潜在主导域优化,提升在少数域上的能力,本文利无偏原型提供公平稳定...
1.一种基于对比学习和多原型对齐的遥感图像无监督域适应方法,其特征在于,具体过程为: 构建教师-学生网络,并设置教师-学生网络中训练时所需用到的跨域多原型对齐模块及像素级跨域对比学习模块; 在教师-学生网络训练时,利用跨域多原型对齐模块提取源域和目标域内各类别的原型并最小化它们的特征距离,利用像素级跨域对比...
本文提出了一个新的空间多组学解析框架,PRAGA,通过构建动态图结构和基于贝叶斯高斯混合模型的动态原型对比学习,实现在无人工标注和测序点类型数量先验的场景下对空间多模态组学数据的综合编码解析,并在五个空间多组学数据集上展现出最优的定性和定量结果。 论文题目: PRAGA: Prototype-aware Graph Adaptive Aggregation fo...
本发明公开一种基于多模态原型网络的PU对比学习异常检测方法及系统,属于医疗人工智能领域,利用扩张卷积网络与Bert模型构成多模态数据(脑电、文本)特征提取与融合网络,通过多模态特征增强的原型网络进行聚类,但缺乏标注负样本故结果存在偏差;最后采用融合PU学习的对比学习方法对有偏聚类结果进行无偏风险估计,纠正偏差,准确地...
少样本(Few-shot)学习的目标是训练可以在只有少量样本的情况下泛化到新类别的模型。 以往的研究工作提出,使用来自类别名称的可访问语义信息来增强少样本学习,但主要集中在改进标准少样本学习框架中的视觉原型和特征提取器等现有模块,限制了语义信息的充分利用。
本文提出了一个新的空间多组学解析框架,PRAGA,通过构建动态图结构和基于贝叶斯高斯混合模型的动态原型对比学习,实现在无人工标注和测序点类型数量先验的场景下对空间多模态组学数据的综合编码解析,并在五个空间多组学数据集上展现出最优的定性和定量结果。
本文提出了一个新的空间多组学解析框架,PRAGA,通过构建动态图结构和基于贝叶斯高斯混合模型的动态原型对比学习,实现在无人工标注和测序点类型数量先验的场景下对空间多模态组学数据的综合编码解析,并在五个空间多组学数据集上展现出最优的定性和定量结果。