CorrEmbed：以新指标评估预训练模型图像相似性效能
计算机视觉与模式识别
2023-08-31 v1 人工智能
摘要
在计算商品推荐时，检测视觉相似图像是一项特别有用的属性。嵌入相似性利用预训练计算机视觉模型提取高层图像特征，在识别具有相似构图的图像方面表现出显著效能。然而，缺乏评估这些模型所生成嵌入的方法，因为常规损失与性能指标无法充分刻画其在图像相似性检索任务中的表现。本文采用名为 CorrEmbed 的新方法，评估多个预训练计算机视觉模型图像嵌入的可用性。我们的方法计算图像嵌入间距离与人类生成标签向量间距离的相关性。我们利用该指标广泛评估众多预训练 Torchvision 模型，揭示了 ImageNet1k 准确率分数与标签相关性分数之间存在直观的线性缩放关系。重要的是，我们的方法也识别出偏离该模式的情况，从而洞察不同模型如何捕捉高层图像特征。通过提供对这些预训练模型的稳健性能评估，CorrEmbed 成为寻求在时尚零售中开发有效的数据驱动相似商品推荐方法的研究人员与实践者的有力工具。
引用
@article{arxiv.2308.16126,
title = {CorrEmbed: Evaluating Pre-trained Model Image Similarity Efficacy with a Novel Metric},
author = {Karl Audun Kagnes Borgersen and Morten Goodwin and Jivitesh Sharma and Tobias Aasmoe and Mari Leonhardsen and Gro Herredsvela Rørvik},
journal= {arXiv preprint arXiv:2308.16126},
year = {2023}
}
备注
Accepted to AI-2023 Forty-third SGAI International Conference on Artificial Intelligence