用于开放世界深度度量学习的阈值一致边际损失
计算机视觉与模式识别
2024-03-14 v2
摘要
现有用于图像检索的深度度量学习（DML）损失常导致跨测试类别和数据分布的类内与类间表示结构高度非均匀。当结合使用固定阈值判定匹配的通用做法时，这会在跨测试类别和数据分布的误接受率（FAR）与误拒绝率（FRR）方面引发显著的性能波动。我们将 DML 中的此问题定义为阈值不一致。在真实应用中，此类不一致常使部署商业图像检索系统时的阈值选取过程复杂化。为度量该不一致性，我们提出一种基于方差的新指标，称为操作点不一致分数（OPIS），其量化了跨类别操作特征的方差。利用 OPIS 指标，我们发现 DML 模型达到高精度水平并不自动保证阈值一致性。事实上，我们的研究揭示了高精度区间中的帕累托前沿，其中现有提升精度的方法常导致阈值一致性退化。为应对此权衡，我们引入阈值一致边际（TCM）损失，一种简单而有效的正则化技术，通过选择性惩罚困难样本对来促进跨类别表示结构的均匀性。大量实验表明，TCM 在保持精度的同时提升了阈值一致性，简化了实际 DML 设定中的阈值选取过程。
引用
@article{arxiv.2307.04047,
title = {Threshold-Consistent Margin Loss for Open-World Deep Metric Learning},
author = {Qin Zhang and Linghan Xu and Qingming Tang and Jun Fang and Ying Nian Wu and Joe Tighe and Yifan Xing},
journal= {arXiv preprint arXiv:2307.04047},
year = {2024}
}
备注
Accepted to ICLR'24