面向深度度量学习的基于层次化代理的损失
计算机视觉与模式识别
2021-10-19 v3
摘要
基于代理的度量学习损失因其快速收敛与低训练复杂度而优于基于对的损失。然而，现有基于代理的损失侧重于学习类判别特征，却忽略了跨类共享的、在描述和匹配样本时潜在有用的共性。此外，它们忽视了真实世界数据集中类别的隐式层次结构，其中相似的从属类别可被归为一组。本文中，我们提出一种框架，通过对代理施加层次化结构来利用该隐式层次，并可与任何现有基于代理的损失配合使用。这使得我们的模型能够在不破坏隐式数据结构的前提下，同时捕捉类判别特征与类共享特性。我们在五个成熟的图像检索数据集（如In-Shop与SOP）上评估了我们的方法。结果表明，我们的层次化基于代理的损失框架提升了现有基于代理损失的性能，尤其在展现强层次结构的大型数据集上。
引用
@article{arxiv.2103.13538,
title = {Hierarchical Proxy-based Loss for Deep Metric Learning},
author = {Zhibo Yang and Muhammet Bastan and Xinliang Zhu and Doug Gray and Dimitris Samaras},
journal= {arXiv preprint arXiv:2103.13538},
year = {2021}
}
备注
Accepted to WACV2022