FDSML 论文被 WACV 2027 接收:公式驱动预训练升级度量学习
HirokatuKataoka · x · 2026-11-01
日本团队的论文《FDSML: Formula-Driven Supervised Metric Learning with Parameter-Aware Triplet Loss》被 WACV 2027 接收,已挂 arXiv 并开源代码与数据集。方法要点:在无需真实图像的公式驱动监督学习(FDSL)基础上,不再把预训练当作离散标签分类,而是从图像生成参数(迭代函数系统 IFS 参数空间)中导出关系监督;配合改进的分形数据集 FineFractalDB 和参数感知三元组损失(PA-Triplet Loss),按参数空间距离定义正负样本。结果:ResNet-50 上 Stanford Online Products 的 Recall@1 从 65.6% 提升到 74.0%,Stanford Cars 从 56.2% 提升到 78.4%,图像检索迁移能力显著增强,分类任务保持竞争力,若干 corruption 设置下鲁棒性更好。结论:基于参数的关系监督是比标签分类更强的合成数据预训练信号。
所属事件:日本团队 FDSML 论文获 WACV 2027 接收(3 条相关)→
「研究」频道最新
- TransfHAR 登 UIST 2026：粗腕动自监督实现智能表实时自定义活动识别 — realkaranahuja · 2026-11-01
- LLM 零样本抓取 19/20 完胜专用机器人模型 1/20 — willdepue · 2026-11-01
- 研究者批机制可解释性成错失机会：窄化为神经元研究是浪费 — andrewgwils · 2026-11-01
- Das 与 Fox 借 AI 找到的思路证明 Murty-Simon 猜想 — kevrussell · 2026-11-01
- neuralese 有助于而非损害可监控性，研究者反驳咖啡因式担忧 — Sauers_ · 2026-11-01
- LLaViT:让语言模型更深参与视觉理解的多模态改进 — burkov · 2026-11-01