通过排序正则化器提升标准分类架构
计算机视觉与模式识别
2020-03-03 v3
摘要
我们采用三元组损失(triplet loss)作为特征嵌入正则化器来提升分类性能。标准架构,如 ResNet 和 Inception,被扩展以同时支持两种损失,且仅需极少的超参数调优。这促进了在微调预训练网络时的通用性。三元组损失是近期提出的嵌入正则化器的一个有力替代。然而,由于其需要大批量尺寸和高计算成本,它常被回避。通过我们的实验,我们重新评估了这些假设。在推理阶段,我们的网络同时支持分类和嵌入任务,且不带来任何计算开销。定量评估凸显了在五个细粒度识别数据集上的稳定提升。在一个不平衡视频数据集上的进一步评估取得了显著改进。三元组损失为分类模型带来了如最近邻之类的特征嵌入特性。代码见 \url{http://bit.ly/2LNYEqL}。
引用
@article{arxiv.1901.08616,
title = {Boosting Standard Classification Architectures Through a Ranking Regularizer},
author = {Ahmed Taha and Yi-Ting Chen and Teruhisa Misu and Abhinav Shrivastava and Larry Davis},
journal= {arXiv preprint arXiv:1901.08616},
year = {2020}
}
备注
WACV 2020 Camera ready + supplementary material