大规模强监督集成度量学习及其在人脸验证与检索中的应用
计算机视觉与模式识别
2012-12-27 v1
摘要
在高维特征空间中学习 Mahalanobis 距离度量非常困难，尤其是当为了提高测试阶段的计算效率而强制施加结构稀疏性和低秩约束时。本文通过一种集成度量学习方法解决了这两个方面，该方法包含稀疏块对角度量集成和联合度量学习两个连续步骤。前一步骤通过选择有效的特征组来追求高度稀疏的块对角度量，而后一步骤则进一步挖掘所选特征组之间的相关性，以获得准确且低秩的度量。我们的算法考虑了由带有显式类标签的训练样本生成的所有成对或三元组约束，并且在特征维度增加和数据量增长方面具有良好的可扩展性。其在人脸验证和检索中的应用在保持高效率的同时，准确率优于现有的 state-of-the-art 方法。
引用
@article{arxiv.1212.6094,
title = {Large Scale Strongly Supervised Ensemble Metric Learning, with Applications to Face Verification and Retrieval},
author = {Chang Huang and Shenghuo Zhu and Kai Yu},
journal= {arXiv preprint arXiv:1212.6094},
year = {2012}
}
备注
8 pages