面向图像检索的排序损失优化
计算机视觉与模式识别
2023-09-18 v1
摘要
在图像检索中，标准评估指标依赖于得分排序，例如平均精度（AP）、前 k 召回率（R@k）、归一化折损累计增益（NDCG）。本文提出一个用于鲁棒且可分解的排序损失优化的通用框架。它解决了使用排序损失对深度神经网络进行端到端训练的两个主要挑战：不可微性与不可分解性。首先，我们提出一个通用的排序算子代理 SupRank，其适用于随机梯度下降。它为排序损失提供上界并保证鲁棒训练。其次，我们使用一个简单而有效的损失函数来缩小排序损失的平均批次近似与其在整个训练集上取值之间的可分解性差距。我们将该框架应用于图像检索的两个标准指标：AP 与 R@k。此外，我们将框架应用于层次化图像检索。我们引入 AP 的扩展——层次化平均精度 -AP，并对其以及 NDCG 进行优化。最后，我们创建了首个层次化地标检索数据集。我们使用半自动流水线创建层次化标签，扩展了大规模 Google Landmarks v2 数据集。该层次化数据集公开于 https://github.com/cvdfoundation/google-landmark。代码将发布于 https://github.com/elias-ramzi/SupRank。
引用
@article{arxiv.2309.08250,
title = {Optimization of Rank Losses for Image Retrieval},
author = {Elias Ramzi and Nicolas Audebert and Clément Rambour and André Araujo and Xavier Bitot and Nicolas Thome},
journal= {arXiv preprint arXiv:2309.08250},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2207.04873