面向深度度量学习的通用基于对的加权损失
计算机视觉与模式识别
2019-05-31 v1
摘要
深度度量学习旨在学习样本对之间的距离度量，通过深度神经网络提取语义特征嵌入，使相似样本彼此接近而不相似样本相距较远。文献中已提出大量基于样本对距离的损失函数以指导深度度量学习的训练。本文将它们统一为一个通用的基于对的加权损失函数，其最小化目标损失即为信息对的加权距离。该通用基于对的加权损失包含两方面：(1) 样本挖掘与 (2) 对加权。样本挖掘旨在选择信息正样本对和负样本对集合，以利用小批量中样本的结构化关系并减少非平凡对的数量。对加权旨在根据对距离为不同对分配不同权重，以判别性地训练网络。我们依据通用损失函数详细回顾了现有基于对的损失，并从样本挖掘和对加权的角度探索了一些可能的方法。最后，在三个图像检索数据集上的大量实验表明，我们的通用基于对的加权损失取得了新的 SOTA 性能，证明了基于对的样本挖掘与对加权对深度度量学习的有效性。
引用
@article{arxiv.1905.12837,
title = {The General Pair-based Weighting Loss for Deep Metric Learning},
author = {Haijun Liu and Jian Cheng and Wen Wang and Yanzhou Su},
journal= {arXiv preprint arXiv:1905.12837},
year = {2019}
}