星座损失：提升深度度量学习损失函数效率以实现最优嵌入
机器学习
2019-05-28 v1 计算机视觉与模式识别
摘要
近年来，度量学习已成为一个引人关注的研究领域。对比损失、三元组损失或多类 N-pair 损失等损失函数使得生成能够应对复杂场景的模型成为可能——这些场景中存在大量类别且每类图像数量稀少，其不仅可用于构建分类器，也广泛适用于以度量相似性为关键的其他诸多应用。通过度量学习训练的深层神经网络还提供了解决少样本学习问题的可能。当前使用的先进损失函数如三元组与对比损失函数，仍因有效训练样本的选择而遭受收敛缓慢之苦，多类 N-pair 损失通过同时加入来自不同类别的额外样本已部分解决该问题。在本工作中，我们扩展三元组与多类 N-pair 损失函数，提出星座损失度量，其中所有类别组合间的距离被同时学习。我们将所提星座损失用于视觉类别嵌入加以比较，表明我们的损失函数通过获得更紧凑的簇同时取得更优分类结果，优于其他方法。
引用
@article{arxiv.1905.10675,
title = {Constellation Loss: Improving the efficiency of deep metric learning loss functions for optimal embedding},
author = {Alfonso Medela and Artzai Picon},
journal= {arXiv preprint arXiv:1905.10675},
year = {2019}
}
备注
Submitted to NeurIPS 2019