图像检索中缓解回归的兼容训练热刷新模型升级
计算机视觉与模式识别
2022-01-25 v1
摘要
图像检索系统的热刷新模型升级任务在工业界扮演着至关重要的角色，但此前从未在学术界被研究过。传统的冷刷新模型升级只能在图库整体回填后才能部署新模型，对于海量数据需要数周甚至数月时间。相比之下，热刷新模型升级立即部署新模型，然后通过动态回填图库逐步提高检索精度。兼容训练使之成为可能，然而，带有负翻转的模型回归问题对用户体验的稳定提升构成了巨大挑战。我们认为这主要是由于新-旧正查询-图库对可能表现出比新-新负对更低的相似度。为解决该问题，我们引入了一种缓解回归的兼容训练 (RACT) 方法，以在减少负翻转的同时恰当地约束特征兼容性。其核心是鼓励新-旧正对比新-旧负对和新-新负对都更相似。进一步引入了一种高效的基于不确定性的回填策略以加速精度提升。在大规模检索基准（如 Google Landmark）上的广泛实验表明，我们的 RACT 有效缓解了模型回归，向无缝模型升级又迈进了一步。代码将发布于 https://github.com/binjiezhang/RACT_ICLR2022。
引用
@article{arxiv.2201.09724,
title = {Hot-Refresh Model Upgrades with Regression-Alleviating Compatible Training in Image Retrieval},
author = {Binjie Zhang and Yixiao Ge and Yantao Shen and Yu Li and Chun Yuan and Xuyuan Xu and Yexin Wang and Ying Shan},
journal= {arXiv preprint arXiv:2201.09724},
year = {2022}
}
备注
Accepted to ICLR 2022