基于分解的迁移距离度量学习及其在图像分类中的应用
计算机视觉与模式识别
2019-04-09 v1
摘要
距离度量学习(DML)是图像分析与模式识别中的关键因素。为了针对目标任务学习到鲁棒的距离度量,我们需要大量边信息(即标注数据上的相似/不相似成对约束),而由于标注成本高,实践中通常无法获得此类信息。本文考虑迁移学习设定,通过利用来自某些相关但不同的源任务的大量边信息,来辅助仅有少量边信息的目标度量学习。最先进的度量学习算法在该设定下通常失效,因为源任务与目标任务的数据分布往往差异很大。我们通过假设目标距离度量位于由源度量(或其他随机生成的基)的特征向量所张成的空间中来解决此问题。目标度量被表示为基度量的组合,这些基度量由源度量(或简单的一组随机基)的分解分量计算得到;我们将所提方法称为基于分解的迁移DML(DTDML)。特别地,DTDML通过学习基度量的稀疏组合,并迫使目标度量接近源度量的集成,从而构建目标度量。与现有迁移度量学习方法相比,所提方法的主要优势在于我们直接学习基度量系数而非目标度量。为此,需要学习的变量大幅减少。因而在有限边信息下我们获得了更可靠的求解,且优化往往更快。在流行的手写图像(数字、字母)分类和具有挑战性的自然图像标注任务上的实验证明了所提方法的有效性。
引用
@article{arxiv.1904.03846,
title = {Decomposition-Based Transfer Distance Metric Learning for Image Classification},
author = {Yong Luo and Tongliang Liu and Dacheng Tao and Chao Xu},
journal= {arXiv preprint arXiv:1904.03846},
year = {2019}
}