基于软正交代理的深度度量学习
计算机视觉与模式识别
2023-06-23 v1
摘要
深度度量学习（DML）模型依赖于强大的表征以及基于相似度的度量和特定的损失函数。与基于样本对的损失相比，基于代理的损失在收敛速度方面表现出优异性能。然而，分配给不同类别的代理可能在嵌入空间中彼此靠近，从而难以区分正负样本；或者它们可能高度相关，从而为模型提供冗余信息。为解决这些问题，我们提出一种新方法，对代理引入软正交（SO）约束。该约束确保代理尽可能正交，从而控制其在嵌入空间中的位置。我们的方法利用数据高效图像 Transformer（DeiT）作为编码器提取图像的上下文特征，并结合 DML 目标。该目标由 Proxy Anchor 损失与 SO 正则化构成。我们在四个公开基准上评估了类别级图像检索方法，并通过全面的实验结果和消融研究证明了其有效性。我们的评估表明，所提方法显著优于当前最优方法。
引用
@article{arxiv.2306.13055,
title = {Deep Metric Learning with Soft Orthogonal Proxies},
author = {Farshad Saberi-Movahed and Mohammad K. Ebrahimpour and Farid Saberi-Movahed and Monireh Moshavash and Dorsa Rahmatian and Mahvash Mohazzebi and Mahdi Shariatzadeh and Mahdi Eftekhari},
journal= {arXiv preprint arXiv:2306.13055},
year = {2023}
}