面向深度度量学习的批内连接学习
计算机视觉与模式识别
2021-06-14 v3
摘要
度量学习的目的是学习一个将样本映射到更低维空间的函数，使相似样本比不相似样本距离更近。特别地，深度度量学习利用神经网络学习此种映射。多数方法依赖仅考虑样本对或三元组之间关系的损失，这些样本对或三元组要么属于同一类，要么属于两个不同类。然而，这些方法未整体探索嵌入空间。为此，我们提出一种基于消息传递网络的方法，考虑mini-batch中的所有关系。我们通过给定批次中所有样本间交换消息来精炼嵌入向量，使训练过程感知其整体结构。由于并非所有样本对决策边界预测同等重要，我们在消息传递中使用注意力机制以让样本相应权衡各邻居的重要性。我们在CUB-200-2011、Cars196、Stanford Online Products和In-Shop Clothes数据集上取得聚类和图像检索的SOTA结果。为促进进一步研究，我们在https://github.com/dvl-tum/intra_batch_connections提供代码与模型。
引用
@article{arxiv.2102.07753,
title = {Learning Intra-Batch Connections for Deep Metric Learning},
author = {Jenny Seidenschwarz and Ismail Elezi and Laura Leal-Taixé},
journal= {arXiv preprint arXiv:2102.07753},
year = {2021}
}
备注
Accepted to International Conference on Machine Learning (ICML) 2021, includes non-archival supplementary material