利用三元组挖掘与分层采样加速最近邻分类的大间隔度量学习
机器学习
2021-11-05 v1 计算机视觉与模式识别
机器学习
摘要
度量学习是流形学习的技术之一，目标是寻找一个投影子空间，分别增大类间方差与减小类内方差。部分度量学习方法基于锚点-正例-负例三元组的 triplet learning（三元组学习）。用于最近邻分类的大间隔度量学习是实现此目标的基本方法之一。近来，带三元组损失的 Siamese 网络被提出。针对 Siamese 网络已开发了许多三元组挖掘方法；然而这些技术尚未应用于大间隔度量学习用于最近邻分类的三元组上。受 Siamese 网络挖掘方法启发，我们提出了几种用于大间隔度量学习的三元组挖掘技术。此外，为加速与可扩展优化，提出了一种分层方法，在分层超球中通过分层采样选取三元组。我们在三个公开数据集（即 Fisher Iris、ORL faces 与 MNIST 数据集）上分析了所提方法。
引用
@article{arxiv.2009.14244,
title = {Acceleration of Large Margin Metric Learning for Nearest Neighbor Classification Using Triplet Mining and Stratified Sampling},
author = {Parisa Abdolrahim Poorheravi and Benyamin Ghojogh and Vincent Gaudet and Fakhri Karray and Mark Crowley},
journal= {arXiv preprint arXiv:2009.14244},
year = {2021}
}
备注
The first two authors contributed equally to this work