面向噪声度量学习的平滑代理锚损失
计算机视觉与模式识别
2020-06-11 v1
摘要
许多工业应用使用度量学习（Metric Learning）作为在设计具有大量类别的系统时规避可扩展性问题的一种方式。因此，该研究领域正吸引着学术界和非学术界的浓厚兴趣。此类工业应用需要大规模数据集，这些数据集通常由网络数据生成，因此常包含大量噪声标签。虽然度量学习系统对噪声标签敏感，但文献通常依赖于人工标注的数据集，并未解决此问题。在本工作中，我们提出了一种能够利用我们新颖的平滑代理锚损失（Smooth Proxy-Anchor Loss）克服噪声标签存在的度量学习方法。我们还提出了一种使用上述损失和两阶段学习过程的架构。首先，我们训练一个计算样本类别置信度的置信度模块。其次，这些置信度被用于加权每个样本对嵌入训练的影响。这产生了一个能够提供鲁棒样本嵌入的系统。我们将所描述方法的性能与当前最先进的度量学习损失（基于代理和基于成对）在含噪声标签的数据集上训练时进行比较。结果显示，相对于 MultiSimilarity 和 Proxy-Anchor Loss，Recall@1 分别提升了 2.63 和 3.29，证明我们的方法在噪声标签条件下优于最先进的度量学习。
引用
@article{arxiv.2006.05142,
title = {Smooth Proxy-Anchor Loss for Noisy Metric Learning},
author = {Carlos Roig and David Varas and Issey Masuda and Juan Carlos Riveiro and Elisenda Bou-Balust},
journal= {arXiv preprint arXiv:2006.05142},
year = {2020}
}
备注
The 4th Workshop on Visual Understanding by Learning from Web Data (CVPR 2020)