深度学习中的指数判别度量嵌入
计算机视觉与模式识别
2018-03-08 v1 机器学习
机器学习
摘要
随着卷积神经网络（CNNs）近期在物体识别中取得显著成功，深度学习正被广泛应用于计算机视觉界。深度度量学习（DML）将深度学习与传统度量学习相融合，已在诸多领域刷新纪录，尤其在分类任务中。本文提出一种可复现的DML方法，称为包含与排斥（IE）损失，用于在指数特征投影空间中，使样本与其指定类中心的距离以较大间隔远离该样本到其他类中心的平均距离。在IE损失的监督下，我们可以训练CNNs以增强类内紧凑性与类间可分离性，从而在从物体识别到人脸验证的若干公开数据集上取得大幅提升。我们在三种不同容量的网络上将我们的算法与几种典型DML方法进行了对比研究。在三个物体识别数据集与两个人脸识别数据集上的大量实验表明，IE损失始终优于其他主流DML方法，并接近最先进（state-of-the-art）结果。
引用
@article{arxiv.1803.02504,
title = {Exponential Discriminative Metric Embedding in Deep Learning},
author = {Bowen Wu and Zhangling Chen and Jun Wang and Huaming Wu},
journal= {arXiv preprint arXiv:1803.02504},
year = {2018}
}