English(EN) OSCS-SupCon: Orthogonal Sigmoid-based Common and Style Supervised Contrastive Learning for Robust Feature Disentanglement

新的OSCS-SupCon框架增强了对比学习中的特征解耦

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-11 04:00

研究人员开发了一个名为OSCS-SupCon的新框架，以改进监督对比学习。该方法通过引入基于sigmoid的对比损失并强制通用和风格特征子空间之间的正交性，解决了现有方法中的局限性，如负样本稀释和特征纠缠。实验表明，OSCS-SupCon的性能优于最先进的方法，在CUB200-2011数据集上实现了显著的准确性提升。 AI

影响引入了一种新颖的特征解耦方法，有可能提高各种计算机视觉任务的性能。

排序理由这是一篇详细介绍新方法和实验结果的研究论文。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Bin Wang, Fadi Dornaika · 2026-06-11 04:00

OSCS-SupCon: Orthogonal Sigmoid-based Common and Style Supervised Contrastive Learning for Robust Feature Disentanglement

arXiv:2606.11233v1 Announce Type: new Abstract: Supervised Contrastive Learning (SupCon) has achieved strong performance by explicitly modeling pairwise relationships among samples. However, existing SupCon-based methods suffer from two key limitations: negative-sample dilution i…

报道来源 [1]

OSCS-SupCon: Orthogonal Sigmoid-based Common and Style Supervised Contrastive Learning for Robust Feature Disentanglement

相关话题