基于辅助旋转损失的无监督深度度量学习
计算机视觉与模式识别
2019-11-19 v1
摘要
深度度量学习因其在图像检索与行人重识别等诸多领域的适用性而成为一个重要方向。此类模型的主要缺陷在于对标注数据的需求。本工作中，我们提出直接从聚类分配生成伪标签用于深度度量学习，并引入由自监督（SS）任务正则化的无监督深度度量学习（UDML）。具体而言，我们提出通过预测图像旋转来正则化训练过程。我们的方法（UDML-SS）联合学习判别性嵌入、嵌入的无监督聚类分配，以及一项自监督 pretext 任务。UDML-SS 使用传统聚类算法（如 k-means）迭代聚类嵌入，并基于聚类分配采样训练对用于度量学习，同时以多任务方式优化自监督 pretext 任务。自监督的作用是稳定训练过程，并鼓励模型学习不因不可靠聚类分配而失真的有意义特征表征。所提方法在度量学习标准基准上表现良好，以较大优势优于当前最先进方法，并且使用多种度量学习损失函数时也展现出有竞争力的性能。
引用
@article{arxiv.1911.07072,
title = {Unsupervised Deep Metric Learning via Auxiliary Rotation Loss},
author = {Xuefei Cao and Bor-Chun Chen and Ser-Nam Lim},
journal= {arXiv preprint arXiv:1911.07072},
year = {2019}
}