AAAI 2024
1 INTRO
- 之前基于多视图的region embedding工作大多遵循相同的模式
- 单独的单视图表示+多视图融合
- 但这种方法存在明显的局限性：忽略了不同视图之间的信息一致性
- 一个区域的多个视图所携带的信息是高度相关的，因此它们的表示应该是一致的
- 如果能够利用这种相关性，它就可以作为学习每个视图表示过程中的约束，并使知识从一个视图转移到另一个视图
- ------>提出了一种新的管道一致性学习范式ReCP
- 由两个主要组成部分组成：
- 视图内学习
- 将每个区域与其他不同的区域进行比较，通过对比学习将该区域嵌入到潜在空间中
- 同时，还利用自动编码器来捕获不同视图的视图特定区域特征，这有助于避免模型陷入一个平凡的解决方案
- 视图间学习
- 为了学习区域表示的交叉视图一致性，设计了视图间对比和视图之间的双重预测
- 视图内学习
- 由两个主要组成部分组成：
2 方法
3 实验
