摘要
本发明涉及一种基于掩码策略与对比学习相结合的图自监督学习方法,包括以下步骤:获取原始图数据;对原始图数据进行数据增强处理,得到增强图;结合掩码策略对原始图的不同部分进行遮罩,得到遮罩图,并获取遮罩图的邻接矩阵;将原始图、增强图和遮罩图输入特征编码器,分别得到增强图特征、原图特征和掩码特征;将邻接矩阵和掩码特征输入回归器,得到重建特征;基于原图特征和增强图特征计算对比损失,基于原图特征和重建特征计算对齐损失;基于对比损失和对齐损失训练特征编码器和回归器,实现图自监督学习。与现有技术相比,本发明具有能够对输入图数据的不同粒度特征进行建模,得到更有效的特征表示等优点。
技术关键词
掩码策略
监督学习方法
加权损失函数
编码器
训练特征
节点
随机梯度下降
数据
缩放参数
样本
代表
鲁棒性
系统为您推荐了相关专利信息
逆向设计方法
拓扑优化方法
神经网络架构
水平集方法
水平集函数
交叉注意力机制
时间卷积网络
编码器结构
时序特征
融入语义信息
人机协作
骨骼关键点
滑动窗口
机器人操作界面
实例化渲染技术