用于三维形状识别的批式最优传输损失学习
计算机视觉与模式识别
2019-03-22 v1
摘要
深度度量学习对视觉识别至关重要。广泛使用的基于成对（或三元组）的损失目标无法充分利用训练样本中的语义信息，也无法在优化过程中对困难样本给予足够关注。因此，它们常面临收敛慢与性能不佳的问题。本文中，我们展示了如何通过批式样本的最优传输规划学习重要性驱动的距离度量。它可自动强调困难样本并带来收敛性的显著提升。我们提出一种新的批式最优传输损失，并以端到端深度度量学习方式将其结合。我们利用它联合学习距离度量与深度特征表示以用于识别。在六个基准数据集（即 MNIST、CIFAR10、SHREC13、SHREC14、ModelNet10 与 ModelNet40）上的视觉检索与分类任务的实证结果证明了所提方法的优越性。它能在取得最先进识别性能的同时显著加快收敛速率。例如，在三维形状识别实验中，我们表明我们的方法仅在 5 个周期内即可取得优于主流三维形状识别方法在 200 个周期后所取得的识别性能。
引用
@article{arxiv.1903.08923,
title = {Learning with Batch-wise Optimal Transport Loss for 3D Shape Recognition},
author = {Lin Xu and Han Sun and Yuai Liu},
journal= {arXiv preprint arXiv:1903.08923},
year = {2019}
}
备注
10 pages, 4 figures Accepted by CVPR2019