一种用于深度度量学习的弱监督自适应三元组损失
计算机视觉与模式识别
2019-10-01 v1
摘要
我们解决视觉相似性搜索中的距离度量学习问题，即学习一个图像嵌入模型，将图像投影至欧氏空间，使语义与视觉相似的图像彼此靠近，不相似的图像相互远离。我们提出一种弱监督自适应三元组损失(ATL)，能够捕捉细粒度语义相似性，并促使所学图像嵌入模型在跨域数据上良好泛化。该方法利用弱标注的产品描述数据隐式确定细粒度语义类别，避免了标注大量训练数据的需要。我们在Amazon时尚检索基准与DeepFashion店内检索数据上评估。该方法在跨域数据上将三元组损失基线的性能提升了10.6%，并在所有评估指标上优于最先进模型。
引用
@article{arxiv.1909.12939,
title = {A weakly supervised adaptive triplet loss for deep metric learning},
author = {Xiaonan Zhao and Huan Qi and Rui Luo and Larry Davis},
journal= {arXiv preprint arXiv:1909.12939},
year = {2019}
}
备注
4 pages, ICCV Fashion Workshop