超越二元监督的深度度量学习
计算机视觉与模式识别
2019-04-23 v1 机器学习
摘要
用于视觉相似性的度量学习大多采用二元监督，指示一对图像是否属于同一类。这种二元指示仅覆盖图像关系的一个有限子集，不足以表示由连续和/或结构化标签（如物体姿态、图像描述和场景图）所描述的图像间语义相似性。受此启发，我们提出一种利用连续标签进行深度度量学习的新方法。首先，我们提出一种新的三元组损失，允许标签空间中的距离比在所学度量空间中得以保持。因此，所提损失使我们的模型能够学习相似程度而非仅学习顺序。此外，我们设计了适应于连续标签度量学习的样本三元组挖掘策略。我们针对人体姿态、房间布局和图像描述三种不同连续标签图像检索任务进行了处理，并展示了我们的方法相较先前方法的优越性能。
引用
@article{arxiv.1904.09626,
title = {Deep Metric Learning Beyond Binary Supervision},
author = {Sungyeon Kim and Minkyo Seo and Ivan Laptev and Minsu Cho and Suha Kwak},
journal= {arXiv preprint arXiv:1904.09626},
year = {2019}
}
备注
Accepted to CVPR 2019 (Oral)