基于全局与局部表示的多头深度度量学习
计算机视觉与模式识别
2021-12-30 v1 机器学习
摘要
深度度量学习(DML)模型通常需要强大的局部和全局表示,然而在DML模型训练中有效整合局部与全局特征是一项挑战。DML模型常使用特定的损失函数进行训练,包括基于成对的和基于代理的损失。基于成对的损失函数利用了数据点之间丰富的语义关系,但它们在DML模型训练中常面临收敛缓慢的问题。另一方面,基于代理的损失函数常能显著加速训练中的收敛,而数据点之间的丰富关系往往未被基于代理的损失充分挖掘。本文中,我们提出一种新颖的DML方法来应对这些挑战。所提DML方法通过整合基于成对和基于代理的损失函数使用混合损失,以利用丰富的数据到数据关系以及快速收敛。此外,所提DML方法利用全局和局部特征在DML模型训练中获得丰富表示。最后,我们还使用二阶注意力进行特征增强,以改善准确且高效的检索。在实验中,我们在四个公开基准上广泛评估了所提DML方法,实验结果表明所提方法在所有基准上均达到了最先进的性能。
引用
@article{arxiv.2112.14327,
title = {Multi-Head Deep Metric Learning Using Global and Local Representations},
author = {Mohammad K. Ebrahimpour and Gang Qian and Allison Beach},
journal= {arXiv preprint arXiv:2112.14327},
year = {2021}
}
备注
To appear in WACV 2022