Group Loss++：对深度度量学习中分组损失的深入探究

深度度量学习通过利用神经网络获得高度判别性的特征嵌入，在聚类和图像检索等任务中取得了令人印象深刻的成果，这些嵌入可用于将样本分组到不同类别中。大量研究致力于设计智能损失函数或数据挖掘策略来训练此类网络。大多数方法仅考虑小批量内样本的对或三元组来计算损失函数，该函数通常基于嵌入之间的距离。我们提出 Group Loss，一种基于可微分标签传播方法的损失函数，它在一组所有样本间强制嵌入相似性，同时促进属于不同组的数据点之间呈现低密度区域。在“相似对象应属于同一组”的平滑性假设指导下，所提损失以分类任务训练神经网络，强制类内样本间标签一致。我们设计了一套针对我们算法（命名为 Group Loss++）的推理策略，进一步提升了模型结果。我们在四个检索数据集上展示了聚类和图像检索的 SOTA 结果，并在两个人重识别数据集上给出了有竞争力的结果，为检索与重识别提供了统一框架。