面向图像检索的鲁棒可分解平均精度
机器学习
2021-12-09 v3 人工智能
计算机视觉与模式识别
神经与进化计算
机器学习
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）。本文提出一种鲁棒且可分解的平均精度（ROADMAP）方法，解决使用 AP 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，我们提出一种秩函数的新可微近似，其给出 AP 损失的上界并保证鲁棒训练。其次，我们设计了一个简单而有效的损失函数以缩小整个训练集上的 AP 与其平均批次近似之间的可分解性差距，对此我们提供了理论保证。在三个图像检索数据集上进行的广泛实验表明，ROADMAP 优于若干近期 AP 近似方法，并凸显了我们两项贡献的重要性。最后，使用 ROADMAP 训练深度模型取得了非常好的性能，在三个数据集上优于最先进的结果。
引用
@article{arxiv.2110.01445,
title = {Robust and Decomposable Average Precision for Image Retrieval},
author = {Elias Ramzi and Nicolas Thome and Clément Rambour and Nicolas Audebert and Xavier Bitot},
journal= {arXiv preprint arXiv:2110.01445},
year = {2021}
}