多模态感知的弱监督度量学习与自加权三元组损失
机器学习
2021-02-05 v1 人工智能
多媒体
摘要
近年来，从弱监督数据中学习合适的距离度量引起了广泛兴趣。大多数现有方法旨在将所有相似样本拉近，同时尽可能推远不相似样本。然而，当数据集的某些类别呈现多模态分布时，这些目标相互冲突，难以同时满足。此外，为确保有效的度量，许多方法需要重复的特征值分解过程，这既昂贵又数值不稳定。因此，如何从弱监督数据中学习合适的距离度量仍然是一个开放但具有挑战性的问题。为了解决这个问题，本文提出了一种新的弱监督度量学习算法，称为多模态感知弱监督度量学习（MDaML）。MDaML将数据空间划分为多个簇，并为每个样本分配局部簇中心和权重。然后，将其与加权三元组损失相结合，可以进一步增强局部可分离性，鼓励局部不相似样本与局部相似样本保持较大距离。同时，MDaML将度量学习问题转化为SPD流形上的无约束优化，可以通过黎曼共轭梯度下降（RCGD）高效求解。在13个数据集上进行的大量实验验证了所提出的MDaML的优越性。
引用
@article{arxiv.2102.02670,
title = {Multimodal-Aware Weakly Supervised Metric Learning with Self-weighting Triplet Loss},
author = {Huiyuan Deng and Xiangzhu Meng and Lin Feng},
journal= {arXiv preprint arXiv:2102.02670},
year = {2021}
}