全局相关性感知的困难负样本生成

困难负样本生成旨在生成有助于确定决策边界的信息性负样本，从而促进深度度量学习的发展。现有工作选择成对/三元组样本，学习它们的相关性并融合它们以生成困难负样本。然而，这些工作仅考虑所选样本的局部相关性，忽略了全局样本相关性，而全局相关性能够提供更显著的信息以生成更具信息量的负样本。本文提出了一种全局相关性感知的困难负样本生成（GCA-HNG）框架，该框架首先从全局视角学习样本相关性，并利用这些相关性来指导生成难度自适应且多样化的负样本。具体而言，该方法首先构建一个结构化图来建模样本相关性，其中每个节点代表一个特定样本，每条边代表相应样本之间的相关性。然后，引入迭代图消息传播，在整个图中传播节点和边的消息，从而全局学习样本相关性。最后，在学习到的全局相关性的指导下，提出一种通道自适应方式来结合锚点和多个负样本进行困难负样本生成。与现有方法相比，GCA-HNG 能够从全局和全面的视角感知具有众多负样本的样本相关性，并生成具有更好难度和多样性的负样本。大量实验结果表明，所提出的 GCA-HNG 在四个图像检索基准数据集上优于相关方法。代码和训练好的模型可在 \url{https://github.com/PWenJay/GCA-HNG} 获取。