难例感知的深度级联嵌入
计算机视觉与模式识别
2017-08-02 v2
摘要
乘着深度神经网络的浪潮，深度度量学习在使用 triplet network 或 Siamese network 的各种任务中也取得了有前景的结果。尽管使同类图像比异类图像更接近的基本目标很直观，但由于样本量呈二次或三次增长，难以直接优化。为解决该问题，仅关注被认为困难的样本子集的难例挖掘（hard example mining）被广泛使用。然而，困难是相对于模型定义的：复杂模型将大多数样本视为简单样本，简单模型则相反，两者都不利于训练。样本还具有不同的困难级别，难以定义复杂度恰好的模型并充分选择难例。这促使我们以级联方式集成一组不同复杂度的模型，并自适应地挖掘难例：样本由一系列复杂度递增的模型评判，仅更新那些将该样本视为困难情形的模型。我们在 CARS196、CUB-200-2011、Stanford Online Products、VehicleID 和 DeepFashion 数据集上评估了我们的方法。我们的方法大幅优于当前最先进的方法。
引用
@article{arxiv.1611.05720,
title = {Hard-Aware Deeply Cascaded Embedding},
author = {Yuhui Yuan and Kuiyuan Yang and Chao Zhang},
journal= {arXiv preprint arXiv:1611.05720},
year = {2017}
}
备注
accepted by ICCV 2017