无需显式监督学习相似性条件
计算机视觉与模式识别
2019-08-26 v1
摘要
许多现实世界任务要求模型根据多种相似性条件（例如颜色、类别或形状的相似性）来比较图像。现有方法通常通过学习条件感知嵌入来推理这些复杂的相似性关系。虽然此类嵌入有助于模型学习不同的相似性概念，但它们也限制了模型泛化到未见类别上的能力，因为在测试时需要显式标签。为解决这一不足，我们提出了一种方法，该方法在没有显式监督的情况下，将不同相似性条件的表示及其贡献作为潜在变量进行联合学习。在 Polyvore-Outfits、Maryland-Polyvore 和 UT-Zappos50k 三个数据集上的综合实验证明了我们方法的有效性：在填空、服装搭配预测和三元组预测任务上，我们的模型优于最先进的方法，甚至优于那些使用预定义相似性条件进行强监督的方法。最后，我们展示了我们的模型学习到了不同的视觉相关语义子空间，使其能够很好地泛化到未见类别。
引用
@article{arxiv.1908.08589,
title = {Learning Similarity Conditions Without Explicit Supervision},
author = {Reuben Tan and Mariya I. Vasileva and Kate Saenko and Bryan A. Plummer},
journal= {arXiv preprint arXiv:1908.08589},
year = {2019}
}
备注
Accepted at ICCV 2019