信噪比：一种用于深度度量学习的鲁棒距离度量
计算机视觉与模式识别
2019-04-05 v1
摘要
深度度量学习通过学得以区分特征来处理图像聚类与检索任务，近年来引起了广泛关注。许多深度度量学习方法确保相似样本被映射至彼此相近的位置，而不相似样本被映射至更远的位置，这些方法通过为损失函数构建有效结构已展现出良好前景。本文不同于那些学习损失结构的方法，我们提出了一种基于信噪比（SNR）的鲁棒 SNR 距离度量，用于度量图像对相似性以进行深度度量学习。通过从几何空间与统计理论视角探究我们所提 SNR 距离度量的性质，我们分析了该度量的特性，并表明其能够保持图像对之间的语义相似性，这充分证明了它适用于深度度量学习。与欧氏距离度量相比，我们的 SNR 距离度量能够进一步联合减小类内距离并增大类间距离以得到所学特征。利用我们的 SNR 距离度量，我们提出基于 SNR 的深度度量学习（DSML）来生成具有区分性的特征嵌入。通过在 CARS196、CUB200-2011 和 CIFAR10 三个广泛采用的基准上的大量实验，我们的 DSML 展现出优于其他最先进方法的性能。此外，我们将 SNR 距离度量扩展至深度哈希学习，并在 CIFAR10 和 NUS-WIDE 两个基准上开展实验，以证明我们 SNR 距离度量的有效性与通用性。
引用
@article{arxiv.1904.02616,
title = {Signal-to-Noise Ratio: A Robust Distance Metric for Deep Metric Learning},
author = {Tongtong Yuan and Weihong Deng and Jian Tang and Yinan Tang and Binghui Chen},
journal= {arXiv preprint arXiv:1904.02616},
year = {2019}
}
备注
cvpr2019