基于势场的深度度量学习

深度度量学习(DML)涉及训练网络以学习语义上有意义的表示空间。当前许多方法通过挖掘n元组样本并建模每个元组内的相互作用来实现这一目标。我们提出一种新型、可组成的DML模型，不同于元组方法，代表每个样本(嵌入)的影响由连续势场表示，对这些势场进行叠加以获得其组合全局势场。我们使用吸引/排斥势场表示来表示来自不同类的图像嵌入之间的相互作用。与典型学习方法不同，我们强制此类相互作用随距离而衰减，导致势场呈递减特性。我们展示了这种衰减有助于提高在大类内变异和标签噪声较大的真实数据集上的性能。像其他代理方法一样，我们也使用代理简洁地表示子样本群。我们在三个标准DML基准数据集上评估了该方法——Cars-196、CUB-200-2011和SOP数据集，其中该方法在性能上超过了最先进的基线方法。