重新思考大规模识别中的特征判别与聚合
计算机视觉与模式识别
2017-10-31 v2
摘要
特征至关重要。如何训练深度网络以获得跨类别具有判别性的特征和类内聚合的特征，一直是许多计算机视觉任务的核心，特别是对于训练期间测试身份不可见且类别数量可能达到百万级别的大规模识别系统。在本文中，我们基于一个简单的直觉来解决这个问题：高维空间中特征的余弦距离在类内应该足够近，而在跨类别时应该足够远。为此，我们提出了同源余弦(COCO)算法来同时优化数据间的余弦相似度。它继承了 softmax 的性质以使类间特征具有判别性，同时分享了度量学习中类中心的思想。与以往在训练期间中心是一个 mini-batch 内的时变统计变量的工作不同，本文所表述的中心负责聚类类内特征，以强制它们聚合在网络主干周围。COCO 与判别训练捆绑，并以端到端的方式学习，具有稳定的收敛性。我们在五个基准上进行了广泛的实验，以验证我们的方法在小规模分类任务和大规模人类识别问题上的有效性。
引用
@article{arxiv.1710.00870,
title = {Rethinking Feature Discrimination and Polymerization for Large-scale Recognition},
author = {Yu Liu and Hongyang Li and Xiaogang Wang},
journal= {arXiv preprint arXiv:1710.00870},
year = {2017}
}