具有层次化间隔的双曲空间从粗标签提升细粒度学习

从粗标签学习细粒度嵌入是一项因标签粒度监督有限（即缺乏细粒度任务所需的细致区分）而具挑战性的任务。当尝试少样本细粒度识别时，该任务变得更具要求，而后者在多种应用中具实际意义。为应对这些挑战，我们提出一种新方法，将视觉嵌入嵌入双曲空间，并以层次化余弦间隔方式增强其判别能力。具体而言，双曲空间提供显著优势，包括捕获层次关系的能力与增强的表达力，利于建模细粒度对象。基于双曲空间，我们进一步分别在粗/细类间施加相对大/小的相似度间隔，产生所谓的层次化余弦间隔方式。尽管在常规欧氏空间中施加相似度间隔已成为深度嵌入学习的流行做法，将其应用于双曲空间并非易事，且验证其对粗到细泛化的益处颇具价值。在五个基准数据集上开展的广泛实验展示了我们提出方法的有效性，取得了超越对比方法的最先进结果。