用于深度度量学习的基于自适应加性分类的损失
计算机视觉与模式识别
2020-06-29 v1 机器学习
摘要
近期工作表明，深度度量学习算法可受益于来自另一输入模态的弱监督。这一额外模态可作为距离直接纳入流行的基于三元组的损失函数中。同样在近期，分类损失与基于代理的度量学习被观察到能带来更快的收敛以及更好的检索结果，且同时不需要复杂且昂贵的采样策略。本文中，我们提出对现有的用于基于分类的深度度量学习的自适应边界的扩展。我们的扩展为每个样本的每个负代理引入单独的边界。这些边界在训练期间根据该另一模态中各类别的预计算距离得到。我们的结果在 Amazon 时尚检索数据集以及公开的 DeepFashion 数据集上均设立了新的 SOTA。在使用基于 fastText 和 BERT 的嵌入作为额外文本模态时均观察到了这一点。我们以比先前 SOTA 更快的收敛和更低的代码复杂度取得了这些结果。
引用
@article{arxiv.2006.14693,
title = {Adaptive additive classification-based loss for deep metric learning},
author = {Istvan Fehervari and Ives Macedo},
journal= {arXiv preprint arXiv:2006.14693},
year = {2020}
}