通过加权近似排序成分分析的可扩展度量学习
计算机视觉与模式识别
2016-03-24 v2
摘要
我们关注马氏距离的大规模学习，特别聚焦于行人重识别。我们提出一种称为加权近似排序成分分析（Weighted Approximate Rank Component Analysis, WARCA）的度量学习形式。WARCA 通过结合 WARP 损失与一个偏好正交线性映射并避免秩亏嵌入的正则化器，来优化排序前端的精度。使用这一新正则化器使我们能适配大规模 WSABIE 流程并利用 Adam 随机优化算法，从而产生一个优雅扩展到极大数据集的算法。此外，我们推导了核化版本，在数据集大小允许核计算时可利用最先进的重识别特征。在近期和标准重识别数据集上的基准测试表明，我们的方法在准确率和速度上均击败现有最先进的技术。我们也提供实验分析以阐明所用正则化器的性质及其如何提升性能。
引用
@article{arxiv.1603.00370,
title = {Scalable Metric Learning via Weighted Approximate Rank Component Analysis},
author = {Cijo Jose and Francois Fleuret},
journal= {arXiv preprint arXiv:1603.00370},
year = {2016}
}