Methodology
作者提出TIMAM (Text-Image Modality Adversarial Matching)方法，比较简洁明了，具体包含三个部分：
（1）特征提取器：
文本采用BERT提取词向量，再输入LSTM提取文本特征；
图像采用ResNet101提取特征。
（2）采用ID损失（CMPC换了名）和跨模态投影损失（CMPM），来拉近相同ID的特征的分布。
（3）采用对抗损失来学习自适应模态的特征表示。
Experiments
免责声明！
本站转载的文章为个人学习借鉴使用，本站对版权不负任何法律责任。如果侵犯了您的隐私权益，请联系本站邮箱yoyou2525@163.com删除。
猜您在找
论文阅读笔记六十六:Wide Activation for Efficient and Accurate Image Super-Resolution(CVPR2018)
#ICCV2019论文阅读#Fully_convolutional_geometric_features
Learning Continuous Image Representation with Local Implicit Image Function【阅读笔记】
[论文阅读笔记] Adversarial Learning on Heterogeneous Information Networks
论文阅读笔记（六十七）【arXiv2021】：Contextual Non-Local Alignment over Full-Scale Representation for Text-Based Person Search
人脸真伪验证与识别：ICCV2019论文解析
Exploring Simple Siamese Representation Learning【阅读笔记】
论文阅读笔记六十一:Selective Kernel Networks(SKNet CVPR2019)
对抗性鲁棒性与模型压缩：ICCV2019论文解析
从单一图像中提取文档图像：ICCV2019论文解读