面向基于内容图像检索的类锚点间隔损失
计算机视觉与模式识别
2023-06-06 v2 信息检索
机器学习
摘要
神经网络在基于内容的图像检索（CBIR）中的性能深受所选损失（目标）函数的影响。神经模型的大多数目标函数可分为度量学习与统计学习两类。度量学习方法需要成对挖掘策略，往往缺乏效率；而统计学习方法因其间接的特征优化，无法生成高度紧凑的特征。为此，我们提出一种新颖的排斥-吸引损失，它属于度量学习范式，却无需生成样本对即可直接针对 L2 度量进行优化。我们的损失由三部分组成。主导目标确保所学特征被吸引至各自指定的可学习类锚点。第二个损失分量调节各锚点并迫使它们以一定间隔可分离，而第三个目标确保锚点不会坍缩为零。此外，我们在检索过程的第一阶段利用所学类锚点，开发了一种更高效的两阶段检索系统，从而无需将查询与数据库中每一幅图像进行比较。我们建立了四个数据集（CIFAR-100、Food-101、SVHN 和 Tiny ImageNet），并在少样本与全量训练两种 CBIR 任务设定下，使用卷积与 transformer 架构对所提目标函数进行评估。与现有目标函数相比，我们的经验证据表明所提目标能生成更优且更一致的结果。
引用
@article{arxiv.2306.00630,
title = {Class Anchor Margin Loss for Content-Based Image Retrieval},
author = {Alexandru Ghita and Radu Tudor Ionescu},
journal= {arXiv preprint arXiv:2306.00630},
year = {2023}
}