流形上的挖掘：无标签度量学习
计算机视觉与模式识别
2018-03-30 v1
摘要
在本工作中，我们提出了一种用于难训练样本挖掘的新型无监督框架。该方法的唯一输入是与目标应用相关的一组图像以及由预训练 CNN 等提供的有意义的初始表示。正样本是同一流形上的相距较远的点，而负样本是不同流形上的相距较近的点。这两类样本均通过欧氏相似度与流形相似度之间的不一致性来揭示。所发现的样本可用于任何判别性损失的训练。该方法被应用于预训练网络在细粒度分类和特定目标检索任务上的无监督微调。我们的模型与完全或部分监督的先前模型表现相当或更优。
引用
@article{arxiv.1803.11095,
title = {Mining on Manifolds: Metric Learning without Labels},
author = {Ahmet Iscen and Giorgos Tolias and Yannis Avrithis and Ondrej Chum},
journal= {arXiv preprint arXiv:1803.11095},
year = {2018}
}