基于不变性与分散性实例特征的无监督嵌入学习
计算机视觉与模式识别
2019-04-09 v1
摘要
本文研究无监督嵌入学习问题，该问题要求在低维嵌入空间中样本间具有有效的相似性度量。受从类别监督学习中观察到的正样本集中、负样本分离特性启发，我们提出利用实例级监督来近似这些特性，旨在学习数据增强不变且实例分散的特征。为实现此目标，我们提出一种新颖的基于实例的 softmax 嵌入方法，其直接在 softmax 函数之上优化“真实”实例特征。该方法比所有现有方法的学习速度显著更快且精度更高。所提方法在余弦相似度下对可见与不可见测试类别均表现良好，即便在未有预训练网络的情况下对细粒度类别样本也取得有竞争力的性能。
引用
@article{arxiv.1904.03436,
title = {Unsupervised Embedding Learning via Invariant and Spreading Instance Feature},
author = {Mang Ye and Xu Zhang and Pong C. Yuen and Shih-Fu Chang},
journal= {arXiv preprint arXiv:1904.03436},
year = {2019}
}
备注
CVPR 2019