面向在线自适应度量学习的研究

高质量的相似性度量可显著提升许多大规模现实应用的性能。现有研究提出了多种方案，通过限制相似（不相似）样本对间的距离小于（大于）给定下界（上界），或要求相似实例与给定间隔的不相似实例分离，以在线方式学习马氏或双线性度量。然而，这些利用固定边界或间隔学习的线性度量在现实应用中可能表现不佳，尤其在数据分布复杂时。我们旨在解决“在线自适应度量学习”（OAML）这一开放挑战，以在线方式学习自适应度量函数。与传统在线度量学习方法不同，OAML更具挑战性，因为所学度量可能非线性且模型须随观测实例增多而自适应。本文提出一种新的在线度量学习框架，试图通过从约束流中学习具有自适应模型复杂度的基于ANN的度量来应对该挑战。特别地，我们提出一种新颖的自适应边界三元组损失（ABTL）以有效利用输入约束，并给出一种新颖的自适应对冲更新（AHU）方法用于在线更新模型参数。我们在真实图像分类、人脸验证和图像检索等多种应用上实证验证了框架的有效性与高效性。