利用虚拟类别与样本挖掘改进深度度量学习
计算机视觉与模式识别
2020-06-12 v1
摘要
在深度度量学习中，训练过程依赖于对信息性元组的采样。然而，随着训练推进，若无恰当的挖掘策略或基于生成的方法，几乎不可能采样到相关的困难负样本。近期关于困难负样本生成的工作展现出解决该挖掘问题的良好前景。但该生成过程难以调参，且常导致标注错误的样本。为解决此问题，我们提出 MIRAGE，一种基于生成的方法，其完全由生成样本构成的虚拟类别组成，这些虚拟类别充当训练类别之间的缓冲区域。我们通过实验表明，与其他生成方法相比，虚拟类别在流行数据集（Cub-200-2011、Cars-196 和 Stanford Online Products）上显著改善结果。
引用
@article{arxiv.2006.06611,
title = {Improving Deep Metric Learning with Virtual Classes and Examples Mining},
author = {Pierre Jacob and David Picard and Aymeric Histace and Edouard Klein},
journal= {arXiv preprint arXiv:2006.06611},
year = {2020}
}