基于 Softmax 的特征与基于距离度量学习特征的比较意义
计算机视觉与模式识别
2023-05-26 v2
摘要
提取有用的深度特征对许多计算机视觉任务十分重要。从分类网络中提取的深度特征已被证明在这些任务中表现良好。为获得更有用的特征，端到端距离度量学习（DML）被应用于直接训练特征提取器。然而，在这些 DML 研究中，基于 DML 的网络提取的特征与基于 softmax 的网络提取的特征之间并未进行公平比较。本文通过在同一网络架构下对这两种方法进行客观比较，表明当数据集规模（即每类的训练样本数）较大时，基于 softmax 的特征表现具有竞争力，甚至优于最先进的 DML 特征。结果表明，在评估深度特征性能时，应适当考虑基于 softmax 的特征。
引用
@article{arxiv.1712.10151,
title = {Significance of Softmax-based Features in Comparison to Distance Metric Learning-based Features},
author = {Shota Horiguchi and Daiki Ikami and Kiyoharu Aizawa},
journal= {arXiv preprint arXiv:1712.10151},
year = {2023}
}
备注
6 pages