以平均精度学习：用列表损失训练图像检索
计算机视觉与模式识别
2019-06-19 v1
摘要
图像检索可表述为排序问题，目标是按与查询相似度递减顺序排列数据库图像。近期深度图像检索模型通过利用为排序定制的损失函数超越了传统方法，但重要的理论与实践问题依然存在。首先，这些方法并非直接优化全局排序，而是最小化本质损失的上界，未必带来最优平均精度均值（mAP）。其次，这些方法需要大量工程努力才能表现良好，例如特殊预训练与难负样本挖掘。本文中，我们转而利用近期列表损失公式的进展直接优化全局mAP。借助直方图分箱近似，AP可微分并用于端到端学习。与现有损失相比，所提方法在每次迭代同时考虑数千幅图像，并消除了对临时技巧的需求。它还在许多标准检索基准上建立了新的state of the art。模型与评估脚本已发布于 https://europe.naverlabs.com/Deep-Image-Retrieval/
引用
@article{arxiv.1906.07589,
title = {Learning with Average Precision: Training Image Retrieval with a Listwise Loss},
author = {Jerome Revaud and Jon Almazan and Rafael Sampaio de Rezende and Cesar Roberto de Souza},
journal= {arXiv preprint arXiv:1906.07589},
year = {2019}
}