DiVA：面向深度度量学习的多样化视觉特征聚合
计算机视觉与模式识别
2020-09-11 v4
摘要
视觉相似性在许多计算机视觉应用中起着重要作用。深度度量学习（DML）是学习此类相似性的强大框架，其不仅能从训练数据泛化到同分布测试分布，尤其还能迁移至未知测试类别。然而，其主流学习范式是类别判别的监督训练，通常导致表征专用于分离训练类别。但为有效泛化，此类图像表征需捕捉多样化的数据特征。为此，我们提出并研究了多种互补学习任务，仅借助标准 DML 设置中可用的训练样本与标签，靶向概念上不同的数据关系。通过对这些任务的同步优化，我们学习到单一模型以聚合其训练信号，从而在多个既定 DML 基准数据集上实现强泛化与最先进性能。
引用
@article{arxiv.2004.13458,
title = {DiVA: Diverse Visual Feature Aggregation for Deep Metric Learning},
author = {Timo Milbich and Karsten Roth and Homanga Bharadhwaj and Samarth Sinha and Yoshua Bengio and Björn Ommer and Joseph Paul Cohen},
journal= {arXiv preprint arXiv:2004.13458},
year = {2020}
}
备注
published at ECCV 2020