面向相关图像检索的层次化平均精度训练
计算机视觉与模式识别
2022-07-25 v2 人工智能
机器学习
图像与视频处理
摘要
图像检索通常用平均精度(AP)或Recall@k评估。然而，这些度量仅限于二元标签，且未考虑错误的严重程度。本文提出一种面向相关图像检索的层次化AP训练方法(HAP-PIER)。HAPPIER基于新的H-AP度量，其利用概念层次结构通过整合错误重要性来精炼AP并更好地评估排序。为用H-AP训练深度模型，我们仔细研究问题结构并设计了一个平滑下界代理结合聚类损失以确保一致排序。在6个数据集上的大量实验表明，HAPPIER在层次化检索上显著优于SOTA方法，而在评估细粒度排序性能时与最新方法相当。最后，我们展示HAPPIER带来了嵌入空间的更好组织，并防止了非层次化方法最严重的失败情形。我们的代码公开于：https://github.com/elias-ramzi/HAPPIER。
引用
@article{arxiv.2207.04873,
title = {Hierarchical Average Precision Training for Pertinent Image Retrieval},
author = {Elias Ramzi and Nicolas Audebert and Nicolas Thome and Clément Rambour and Xavier Bitot},
journal= {arXiv preprint arXiv:2207.04873},
year = {2022}
}