FDSL
PulseAugur coverage of FDSL — every cluster mentioning FDSL across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的FDSML方法在无真实图像的情况下增强了视觉预训练
研究人员推出了一种名为驱动公式的监督度量学习（FDSML）的新方法，用于在没有真实图像的情况下预训练视觉模型。与先前将预训练视为分类的方法不同，FDSML利用从图像生成参数派生的关系监督。通过使用一个名为FineFractalDB的精炼数据集和参数感知三元组损失，FDSML训练嵌入以反映这些底层参数的相似性排序。该方法在图像检索任务的可迁移性方面显示出显著的改进，在Stanford Online Products和Stanford C…
-
新的FDSML方法可在无真实图像的情况下进行视觉预训练
研究人员开发了驱动公式的监督度量学习（FDSML），一种新颖的视觉预训练方法，无需真实图像。FDSML不依赖离散标签，而是从生成图像的连续参数中获得监督。该方法利用一个名为FineFractalDB的精炼分形数据集和参数感知三元组损失来训练嵌入，这些嵌入尊重图像基于其底层生成参数的相对相似性。实验表明，与之前的驱动公式监督学习技术相比，FDSML在图像检索方面显著提高了性能，并增强了鲁棒性。
-
程序化音频预训练受益于源感知扩展和适应性学习
研究人员探索了程序化音频在可迁移音频表示学习中的有效性。他们的研究使用 FDSL 和 AudioMAE，发现程序化源的扩展涉及两个关键因素：公式类别覆盖率和类别内渲染多样性。程序化音频的最佳掩码比例在 10% 到 25% 之间，这与 AudioSet-28K 青睐的 50% 到 75% 形成对比。分析还表明，程序化音频的补丁多样性较低，时间可预测性较强，这表明需要源感知的预训练配置。