ProxyNCA++：重访并复兴代理邻域成分分析
计算机视觉与模式识别
2020-07-24 v2
摘要
我们考虑距离度量学习（DML）问题，其任务是学习图像间有效的相似性度量。我们重访 ProxyNCA 并引入了若干改进。我们发现低温缩放是一个对性能至关重要的组件，并解释了其生效的原因。此外，我们还发现相较于全局平均池化，全局最大池化在一般情况下表现更好。另外，我们提出的快速移动代理也解决了代理的梯度过小问题，且该组件与低温缩放和全局最大池化良好协同。我们增强后的模型称为 ProxyNCA++，相较于原始 ProxyNCA 算法，在四个不同的零样本检索数据集上 Recall@1 平均提升了 22.9 个百分点。此外，我们在 CUB200、Cars196、Sop 和 InShop 数据集上取得了最先进结果，Recall@1 分数分别为 72.2、90.1、81.4 和 90.9。
引用
@article{arxiv.2004.01113,
title = {ProxyNCA++: Revisiting and Revitalizing Proxy Neighborhood Component Analysis},
author = {Eu Wern Teh and Terrance DeVries and Graham W. Taylor},
journal= {arXiv preprint arXiv:2004.01113},
year = {2020}
}
备注
To appear in the European Conference on Computer Vision (ECCV) 2020