基于层次三元组损失的深度度量学习
计算机视觉与模式识别
2018-10-17 v1
摘要
我们提出了一种新颖的层次三元组损失（HTL），能够通过定义的编码全局上下文信息的层次树自动收集信息丰富的训练样本（三元组）。这使我们能够处理常规三元组损失训练中随机采样的主要局限，这是深度度量学习的核心问题。我们的主要贡献有两点。（i）我们构建了一个层次化的类级树，其中相邻类被递归合并。该层次结构自然地捕获了整个数据库上的内在数据分布。（ii）我们通过引入一个新的违反间隔来表述三元组收集问题，该间隔基于所设计的层次树动态计算。这使其能够在全局上下文的指导下自动选择有意义的困难样本。它鼓励模型从视觉相似的类中学习更具判别性的特征，从而实现更快的收敛和更好的性能。我们的方法在图像检索和人脸识别任务上进行了评估，相比标准三元组损失大幅提升了 1%–18%。它在多个基准上取得了新的最先进（SOTA）性能，且所需学习迭代次数少得多。
引用
@article{arxiv.1810.06951,
title = {Deep Metric Learning with Hierarchical Triplet Loss},
author = {Weifeng Ge and Weilin Huang and Dengke Dong and Matthew R. Scott},
journal= {arXiv preprint arXiv:1810.06951},
year = {2018}
}
备注
Published in ECCV 2018