面向度量学习的中心对比损失
计算机视觉与模式识别
2023-08-02 v1
摘要
对比学习是度量学习中的一个主要研究课题。然而，由于批量大小有限、数据分布不平衡以及过拟合风险等因素，采样有效的对比对仍然是一个挑战。在本文中，我们提出了一种称为中心对比损失（Center Contrastive Loss）的新型度量学习函数，该函数维护一个类别级中心库，并使用对比损失将类别中心与查询数据点进行比较。中心库实时更新，无需精心设计的样本挖掘即可促进模型收敛。类别中心是优化良好的分类代理，用于重新平衡每一类的监督信号。此外，所提出的损失通过减小类内差异和增强类间差异来结合对比方法和分类方法的优势，从而提高嵌入的判别能力。如图1所示，我们的实验结果表明，使用我们的损失训练的标准网络（ResNet50）实现了最先进的性能和更快的收敛。
引用
@article{arxiv.2308.00458,
title = {Center Contrastive Loss for Metric Learning},
author = {Bolun Cai and Pengfei Xiong and Shangxuan Tian},
journal= {arXiv preprint arXiv:2308.00458},
year = {2023}
}
备注
12 pages, 6 figures