采用自适应边界三元组损失的深度排序
计算机视觉与模式识别
2021-07-14 v1 机器学习
摘要
我们提出了一种从固定边界三元组损失到自适应边界三元组损失的简单改进。尽管原始三元组损失广泛应用于人脸识别、行人重识别和细粒度相似性分类问题，我们提出的损失非常适用于评分为连续值的评级数据集。与必须仔细采样数据的原始三元组损失不同，在我们的方法中，可使用整个数据集生成三元组，且优化仍能收敛，不会频繁遭遇模型崩溃问题。自适应边界仅需在训练前计算一次，远比固定边界情况下每个周期后生成三元组开销小。除了训练稳定性大幅提升（所提模型在实验中从未崩溃，而现有三元组损失训练曾数次崩溃），我们在多个评级数据集和网络架构上取得了略优于原始三元组损失的性能。
引用
@article{arxiv.2107.06187,
title = {Deep Ranking with Adaptive Margin Triplet Loss},
author = {Mai Lan Ha and Volker Blanz},
journal= {arXiv preprint arXiv:2107.06187},
year = {2021}
}