困难负样本虽难，但有用

三元组损失是距离度量学习中一种极为常见的方法。来自同一类别的图像表征被优化，使其在嵌入空间中比来自不同类别的图像表征映射得更近。许多关于三元组损失的工作都集中在选择最有用的图像三元组上，其策略包括选择来自同一类别的不相似样本或来自不同类别的相似样本。先前研究的共识是，使用最困难的负样本进行优化会导致糟糕的训练行为。这是一个问题——这些最困难的负样本恰恰是距离度量未能捕捉到语义相似性的情况。在本文中，我们刻画了三元组的空间，并推导了为什么困难负样本会导致三元组损失训练失败。我们为损失函数提供了一个简单的修正，并证明通过此修正，使用困难负样本进行优化变得可行。这带来了更具泛化性的特征，并且在类内方差大的数据集上，图像检索结果优于现有最佳水平。