度量学习中的泛化：嵌入层是否应为嵌入层？
计算机视觉与模式识别
2018-12-11 v2
摘要
本研究在小至中等规模数据下考察深度度量学习，因为我们相信更好的泛化可能是以往细粒度图像检索方法改进的促成因素；在设计未来技术时应予以考虑。我们尤其考察在深度度量学习系统（除嵌入层外）中使用其他层进行特征提取，并分析它们在训练数据上的表现及对测试数据的泛化能力。基于此研究，我们提出一种新的正则化实践：可添加或选择更优的层用于特征提取。在 3 个细粒度图像检索基准 Cars-196、CUB-200-2011 与 Stanford Online Product 上展示了最先进的性能。
引用
@article{arxiv.1803.03310,
title = {Generalization in Metric Learning: Should the Embedding Layer be the Embedding Layer?},
author = {Nam Vo and James Hays},
journal= {arXiv preprint arXiv:1803.03310},
year = {2018}
}
备注
new version for WACV