原创力文档- 1、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。。
- 2、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
- 3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
本发明公开了一种基于自训练负样本对的无监督对抗性对比学习方法，包括：S1、寻求无监督表征学习最小化的一个对比损失函数L；S2、以对抗的方式积极训练一组负样本，构造负样本N集的方法；S3、通过极大极小值问题来训练双方与对抗性的对比损失，找到最优解；S4、更新每个负样本图片的梯度，使负样本N和查询q之间的余弦相似性是最大化的。根据本发明，构建一系列负样本可以连续跟踪学习表征的变化，将更新负样本作为一个整体，以更少的迭代更有效的训练表征网络，可训练的负样本类似于不涉及负样本自监督模型中的网络构成。
(19)国家知识产权局
(12)发明专利申请
(10)申请公布号 CN 116994046 A
(43)申请公布日 2023.11.03
(21)申请号 202310948566.6
(22)申请日 2023.07.31
(71)申请人 同济大学
文档评论（0）