邻里监视：基于局部间隔三元组损失与采样策略的 K 近邻图像表示学习
计算机视觉与模式识别
2019-11-20 v1 机器学习
摘要
使用三元组网络进行深度表示学习的分类方法缺乏理论基础，且难以调优网络与分类器以获得性能。为解决该问题，提出局部间隔三元组损失及局部正、负样本挖掘策略，并从理论上说明该策略如何将最近邻超参数与三元组学习相结合以提升后续分类性能。在 MNIST 与 Cifar-10 两个公开数据集及两个小型医学图像数据集上的实验表明，所提策略在无数据增强设置下优于端到端 softmax 与典型三元组损失，同时保持了特征对相关任务的可迁移性。该方法在端到端方法遇困（如允许数据增强有限的小样本数据）时可作为良好的性能基线。
引用
@article{arxiv.1911.07940,
title = {Neighborhood Watch: Representation Learning with Local-Margin Triplet Loss and Sampling Strategy for K-Nearest-Neighbor Image Classification},
author = {Phawis Thammasorn and Daniel Hippe and Wanpracha Chaovalitwongse and Matthew Spraker and Landon Wootton and Matthew Nyflot and Stephanie Combs and Jan Peeken and Eric Ford},
journal= {arXiv preprint arXiv:1911.07940},
year = {2019}
}
备注
Triplet Network, Representation Learning, Transfer Learning, Nearest Neighbor, Medical Image Classification