用于有序度量学习的角三角距离
计算机视觉与模式识别
2022-11-29 v1 人工智能
摘要
深度度量学习（DML）旨在自动构建任务特定的数据距离或相似度，从而得到低维表示。已有几种重要的度量学习方法被提出。然而，没有一种方法能保证在低维空间中保留原始数据的有序性质。有序数据在现实世界问题中无处不在，例如生物医学案例中的症状严重程度、制造业中的生产质量、商业中的评级水平以及人脸识别中的衰老程度。本研究提出了一种新颖的角三角距离（ATD）和有序三元组网络（OTD），以获取有序数据准确且有意义的嵌入空间表示。ATD在角度空间中投影数据的有序关系，而OTD则学习其有序投影。我们还从数学上证明了我们新的距离度量满足距离度量的性质。所提出的方法使用具有有序性质的现实世界数据进行了评估，例如生物医学、面部和手势图像。进行了广泛的实验，结果表明，我们提出的方法不仅在语义上保留了有序性质，而且比现有的DML模型更准确。此外，我们还证明了我们提出的方法优于最先进的有序度量学习方法。
引用
@article{arxiv.2211.15200,
title = {Angular triangle distance for ordinal metric learning},
author = {Imam Mustafa Kamal and Hyerim Bae},
journal= {arXiv preprint arXiv:2211.15200},
year = {2022}
}