通过数据增强域适应改进基于代理的深度度量学习
计算机视觉与模式识别
2024-01-02 v1
摘要
深度度量学习(DML)在现代计算机视觉研究中扮演重要角色，我们学习一组图像表示的距离度量。最近的DML技术利用代理(proxy)与嵌入空间中的对应图像样本交互。然而，现有的基于代理的DML方法侧重于学习单个代理到样本的距离，而样本和代理的整体分布缺乏关注。本文提出了一种新颖的基于代理的DML框架，专注于对齐样本和代理分布以提高基于代理的DML损失的效率。具体地，我们提出了数据增强域适应(DADA)方法来适应样本组和代理组之间的域差距。据我们所知，我们是第一个利用域适应来提升基于代理的DML性能的工作。我们表明我们的方法可以轻松插入现有的基于代理的DML损失中。我们在包括流行的CUB-200-2011、CARS196、Stanford Online Products和In-Shop Clothes Retrieval等基准上的实验表明，我们的学习算法显著改进了现有的代理损失，并取得了优于现有方法的结果。
引用
@article{arxiv.2401.00617,
title = {Towards Improved Proxy-based Deep Metric Learning via Data-Augmented Domain Adaptation},
author = {Li Ren and Chen Chen and Liqiang Wang and Kien Hua},
journal= {arXiv preprint arXiv:2401.00617},
year = {2024}
}
备注
Accepted by AAAI 2024