用于深度度量学习的鲁棒校准代理损失
信息检索
2023-04-19 v1 机器学习
摘要
深度度量学习的主流研究可分为两类：基于代理和基于样本对的方法。基于代理的方法因训练复杂度较低和网络收敛较快而受到广泛关注。然而，这些方法存在局限，因为代理优化由网络完成，使得代理难以准确表示数据真实类别的特征分布。本文提出一种校准代理(CP)结构，利用真实样本信息改进基于代理损失中的相似度计算，并引入校准损失以约束代理优化朝向类特征中心。同时，我们为每个类设置少量代理以缓解类内差异对检索性能的影响。我们在三个公开数据集和多个合成标签噪声数据集上通过大量实验评估了方法的有效性。结果表明，我们的方法能有效提升常用基于代理损失在常规和含噪数据集上的性能。
引用
@article{arxiv.2304.09162,
title = {Robust Calibrate Proxy Loss for Deep Metric Learning},
author = {Xinyue Li and Jian Wang and Wei Song and Yanling Du and Zhixiang Liu},
journal= {arXiv preprint arXiv:2304.09162},
year = {2023}
}