深度度量学习算法的无偏评估
机器学习
2019-12-02 v1 计算机视觉与模式识别
机器学习
摘要
深度度量学习（DML）是一种用于图像检索、解决验证（是否相同）问题以及处理开集分类的流行方法。可以说，尽管DML领域取得了显著进展，最常见的DML方法仍是三元组损失（triplet loss）。三元组损失存在若干缺陷，例如嵌入坍缩、对采样方案高度敏感，以及更重要的是与更现代的方法相比性能不足。我们将这种采用现状归因于各种方法之间缺乏公平比较，以及难以将其应用于新的问题表述。在本文中，我们在相同条件下对最流行的DML基线方法进行了无偏比较，更重要的是，不掩盖任何有利于特定方法的超参数调优或调整。我们发现，在同等条件下，几种较旧的方法表现明显优于此前的认知。事实上，我们对12种近期提出的DML算法的统一实现在CUB200、CAR196和Stanford Online Products数据集上达到了当前最先进（state-of-the-art）性能，从而为未来DML研究建立了一组新的基线。代码库和所有调优的超参数将开源以保证可复现性，并作为基准来源。
引用
@article{arxiv.1911.12528,
title = {Unbiased Evaluation of Deep Metric Learning Algorithms},
author = {Istvan Fehervari and Avinash Ravichandran and Srikar Appalaraju},
journal= {arXiv preprint arXiv:1911.12528},
year = {2019}
}