用于多视图 3D 物体检索的三元组中心损失
计算机视觉与模式识别
2018-03-19 v1
摘要
大多数现有的 3D 物体识别算法侧重于利用深度学习模型结合 softmax 损失的强判别能力来进行 3D 数据分类，而利用深度度量学习为 3D 物体检索学习判别性特征则在某种程度上被忽视了。在本文中，我们研究了用于 3D 物体检索的深度度量学习损失变体，该领域此前未受到足够关注。首先，介绍了两种具有代表性的损失——triplet loss 和 center loss，它们能够比传统分类损失学习到更具判别性的特征。然后，我们提出了一种名为三元组中心损失 (triplet-center loss) 的新颖损失，可以进一步增强特征的判别能力。所提出的三元组中心损失为每个类别学习一个中心，并要求样本与其同类中心之间的距离比不同类中心之间的距离更近。在两个流行的 3D 物体检索基准和两个广泛采用的基于草图的 3D 形状检索基准上的大量实验结果一致证明了我们所提出损失的有效性，并且与 state-of-the-arts 相比取得了显著提升。
引用
@article{arxiv.1803.06189,
title = {Triplet-Center Loss for Multi-View 3D Object Retrieval},
author = {Xinwei He and Yang Zhou and Zhichao Zhou and Song Bai and Xiang Bai},
journal= {arXiv preprint arXiv:1803.06189},
year = {2018}
}
备注
accepted by CVPR2018