融合多种损失函数以提升深度度量学习方法的泛化能力

深度度量学习（DML）从输入数据中学习非线性语义嵌入，使相似样本对聚集而将不相似数据彼此远离。为此，过去十年中提出了许多不同方法，在各种应用中取得了可喜结果。DML 算法的成功极大依赖于其损失函数。然而，没有损失函数是完美的，它仅处理最优相似性嵌入的某些方面。此外，DML 在测试阶段对未见类别的泛化能力是一个重要问题，现有损失函数并未加以考虑。为应对这些挑战，我们提出在共享深度特征提取器之上组合不同损失函数的新方法。所提出的损失集成强制深度模型提取与所有损失一致的特征。由于所选损失具有多样性且各自强调最优语义嵌入的不同方面，我们有效的组合方法相较任何单一损失带来显著改进，并对未见类别具有良好的泛化性。此处选择损失函数无限制，我们的方法可与任意现有损失集合协作。而且，它们能以端到端范式优化每个损失函数及其权重，无需调整任何超参数。我们在机器视觉领域一些流行数据集上以常规零样本学习（ZSL）设定评估了我们的方法。结果令人鼓舞，表明我们的方法在所有数据集中大幅优于所有基线损失。