面向局部描述子学习的自监督训练样本难度均衡
计算机视觉与模式识别
2023-03-13 v1 人工智能
摘要
在正样本与负样本不平衡的情况下，难负样本挖掘策略已被证明可帮助模型学习正负样本间更细微的差异，从而提升识别性能。然而，若在数据集中推行过于严格的挖掘策略，则可能存在引入假负样本的风险。同时，挖掘策略的实施打乱了真实数据集中样本的难度分布，可能导致模型对这些困难样本过拟合。因此，本文研究如何权衡挖掘样本的难易程度，以获取并利用高质量负样本，并尝试从损失函数与训练策略两方面解决该问题。所提出的均衡损失通过将自监督方法结合到损失函数中，为负样本质量提供了有效判别依据，并采用动态梯度调制策略对不同难度样本实现更精细的梯度调整。所提出的退火训练策略进而约束负样本挖掘所得样本的难度，为损失函数提供具有不同难度分布的数据源，并使用难度递减的样本训练模型。大量实验表明，我们的新描述子在补丁验证、匹配与检索任务上优于先前最先进的（SOTA）描述子。
引用
@article{arxiv.2303.06124,
title = {Self-supervised Training Sample Difficulty Balancing for Local Descriptor Learning},
author = {Jiahan Zhang and Dayong Tian},
journal= {arXiv preprint arXiv:2303.06124},
year = {2023}
}