面向多种梯度类型的多代理锚族损失
计算机视觉与模式识别
2023-06-13 v8
摘要
深度度量学习（deep metric learning, DML）的目标是学习一个神经网络，将其映射到一个嵌入空间中，其中相似数据相近、不相似数据相远。然而，用于DML的常规基于代理的损失存在两个问题：梯度问题以及具有多个局部中心的真实世界数据集的应用。此外，DML的性能度量在稳定性和灵活性上也存在一些问题。本文提出了三种多代理锚（multi-proxies anchor, MPA）族损失以及一种归一化折损累计增益（normalized discounted cumulative gain, nDCG@k）度量。本文做出三点贡献：（1）MPA族损失能够使用具有多局部中心的真实世界数据集进行学习。（2）MPA族损失通过解决梯度问题提升了神经网络的训练能力。（3）MPA族损失在梯度生成方面具有数据级或类别级特征。最后，我们证明了MPA族损失的有效性，且MPA族损失在细粒度图像的两个数据集上取得了更高的准确率。
引用
@article{arxiv.2110.03997,
title = {Multi Proxy Anchor Family Loss for Several Types of Gradients},
author = {Shozo Saeki and Minoru Kawahara and Hirohisa Aman},
journal= {arXiv preprint arXiv:2110.03997},
year = {2023}
}