AdaSample：用于描述子学习的难正样本自适应采样
计算机视觉与模式识别
2019-11-28 v1
摘要
三元组损失已广泛应用于包括局部描述子学习在内的众多计算机视觉任务中。三元组损失的有效性严重依赖于三元组选择，其中常见做法是首先从数据集中采样类内块（正样本）以构建批次，然后在批次内挖掘负样本以形成三元组。为收集高信息量的三元组，研究者大多聚焦于第二阶段的难负样本挖掘，而相对忽视构建信息量丰富的批次。为缓解此问题，本文提出AdaSample，一种自适应在线批次采样器。具体而言，根据其信息量对难正样本进行采样。由此，我们在一种新颖的最大损失最小化训练协议中构建了感知难度的正样本挖掘流程。所提方法的有效性在多个标准基准上进行了评估，结果表明其在现有强基线之上取得了显著且一致的性能提升。
引用
@article{arxiv.1911.12110,
title = {AdaSample: Adaptive Sampling of Hard Positives for Descriptor Learning},
author = {Xin-Yu Zhang and Le Zhang and Zao-Yi Zheng and Yun Liu and Jia-Wang Bian and Ming-Ming Cheng},
journal= {arXiv preprint arXiv:1911.12110},
year = {2019}
}