SDGMNet：基于统计的动态梯度调制用于局部描述子学习
计算机视觉与模式识别
2021-06-10 v2 人工智能
摘要
对三元组损失进行重新缩放特殊样本对反向传播梯度的修改，在局部描述子学习上取得了显著进展。然而，当前的梯度调制策略主要是静态的，因此会受训练阶段或数据集变化的影响。本文中，我们提出一种动态梯度调制方法，名为 SDGMNet，以改进用于局部描述子学习的三元组损失。我们方法的核心是用动态估计的统计特征来构建调制函数。首先，我们对一般基于三元组的损失的反向传播进行深入分析，并引入夹角用于距离度量。在此基础上，采用自动聚焦调制来缓解统计上不常见个体对在随机梯度下降优化中的影响；概率边界切断被认为已达到最优的比例化孪生对的梯度；幂次调整平衡负对与正对的总权重。大量实验表明，我们的新描述子在包括块验证、匹配与检索任务的标准基准上超越了以往的 SOTA。
引用
@article{arxiv.2106.04434,
title = {SDGMNet: Statistic-based Dynamic Gradient Modulation for Local Descriptor Learning},
author = {Jiayi Ma and Yuxin Deng},
journal= {arXiv preprint arXiv:2106.04434},
year = {2021}
}