一种专为有监督深度度量学习定制的新相似度空间
计算机视觉与模式识别
2020-11-20 v2 机器学习
摘要
我们提出一种新颖的深度度量学习方法。与许多该领域工作不同，我们定义了一个通过自编码器获得的新型潜空间。该新空间即 S-space，被划分为不同区域以描述成对物体相似/不相似的位置。我们放置标记点来识别这些区域。我们通过基于核的 t-student 分布估计物体间相似度，以度量标记点距离与新数据表示。在我们的方法中，我们同时在 S-space 中估计标记点位置并表示物体。此外，我们提出一种新的正则化函数以避免相似标记点完全坍缩。我们给出证据表明，我们的方案能够表示复杂空间，例如当相似物体群组位于不相交区域时。我们在 28 个真实异构数据集上将我们的方案与 9 种不同的距离度量学习方法（其中 4 种基于深度学习）进行比较。根据所用的四个定量指标，我们的方法优于文献中全部九种策略。
引用
@article{arxiv.2011.08325,
title = {A New Similarity Space Tailored for Supervised Deep Metric Learning},
author = {Pedro H. Barros and Fabiane Queiroz and Flavio Figueredo and Jefersson A. dos Santos and Heitor S. Ramos},
journal= {arXiv preprint arXiv:2011.08325},
year = {2020}
}
备注
47 pages, 11 figures