基于对比学习学习深度表示用于实例检索
计算机视觉与模式识别
2022-09-29 v1 机器学习
摘要
实例级图像检索（IIR），或简称实例检索，处理的是在数据集内找出所有包含查询实例（例如一个物体）的图像的问题。本文首次尝试使用基于实例判别的对比学习（CL）来解决此问题。尽管 CL 已在许多计算机视觉任务中展现出令人印象深刻的性能，但在 IIR 领域从未发现类似的成功能功。在本工作中，我们通过探索从预训练和微调的 CL 模型导出判别性表示的能力来研究此问题。首先，我们通过比较由预训练深度神经网络（DNN）分类器学习的现成特征与由 CL 模型学习的特征，调查了迁移学习在 IIR 中的功效。这些发现启发我们提出一种新的训练策略，通过使用平均精度（AP）损失与微调方法，将 CL 优化为学习面向 IIR 的特征，以学习专为 IIR 定制的对比特征表示。我们的实证评估表明，在具有挑战性的 Oxford 和 Paris 数据集上，相对于从预训练 DNN 分类器学习的现成特征有显著的性能提升。
引用
@article{arxiv.2209.13832,
title = {Learning Deep Representations via Contrastive Learning for Instance Retrieval},
author = {Tao Wu and Tie Luo and Donald Wunsch},
journal= {arXiv preprint arXiv:2209.13832},
year = {2022}
}
备注
IEEE Symposium Series On Computational Intelligence (SSCI), December 2022. Accepted