使用三元组网络进行深度度量学习

Dec, 2014

使用三元组网络进行深度度量学习

Deep metric learning using Triplet network

Elad Hoffer, Nir Ailon

TL;DR本文提出了三元组网络模型，通过距离比较来学习有用的表示方法，在多个数据集上的结果显示其比竞争对手孪生网络学习了更好的表示方法，而且还探讨了其作为无监督学习框架的未来可能用途。

Abstract

deep learning has proven itself as a successful set of models for learning useful semantic representations of data. These, however, are mostly implicitly learned as part of a classification task. In this paper we propose the triplet network model, which aims to learn useful representat

deep learning triplet network model distance comparisons image information retrieval unsupervised learning

发现论文，激发创造

深度度量学习的智能挖掘

本文提出了一种新颖的深度度量学习方法，该方法将三元组模型和嵌入空间的全局结构相结合，依赖于智能挖掘过程以在低计算成本下产生有效的训练样本，通过自适应控制器来加快训练过程的收敛速度，并在实验证明相比其他竞争挖掘方法，我们的方法可以更快地进行更准确的三元组 ConvNets 训练，同时在 CUB-200-2011 和 Cars196 数据集上实现了最新的嵌入结果。

Apr, 2017

超越二元监督的深度度量学习

本文引入了一种基于连续标签的深层度量学习新方法，包括使用连续标签进行三元组损失和适应连续标签的三元组挖掘策略，同时实验结果显示该方法在三种不同的图像检索任务中表现出较优异性能。

Apr, 2019

度量嵌入的半监督深度学习

本文提出了一种基于深度度量嵌入的半监督学习算法，利用少量标注数据和无标注数据的相对距离关系约束，得到在欧氏空间内区分力强的分类器，并可用于基于最近邻分类的应用。

Nov, 2016

深度排序学习细粒度图像相似度

本文提出了一个利用深度学习技术从图像直接学习相似度度量的深度排名模型。该模型通过多尺度网络结构和三元组采样算法，具有比基于手工特征和深度分类模型更高的学习能力。实验证明了该算法的优越性。

Apr, 2014

嵌入式泛化的可视化

本文主要研究深层度量学习，特别是嵌入函数的学习，以及不同三元组选择策略对于学习效果及泛化能力的影响，同时介绍了一种基于可视化工具的嵌入效果展示方法。

Sep, 2019

通过优化全局损失函数学习具有深度连体和三元卷积网络的局部图像描述符

本文提出了使用三元组网络和全局损失函数来学习本地图像描述符的方法，使用 UBC 基准数据集进行比较，结果表明在减少 UBC 数据集误差方面，三元组网络比 Siamese 网络更准确，并且三元组和全局损失函数的组合是最佳的。最后，本文还展示了在 UBC 数据集上使用全局损失的中心 - 环绕 Siamese 网络的表现最好。

Dec, 2015

深度度量学习中分享有助于泛化

本论文旨在探究在不需要额外注释或训练数据的情况下，如何学习图像相似性的特征。通过构建一种新的三元组采样策略，实验结果表明，该方法可以显著提高深度度量学习的性能，并在各种标准基准数据集上实现了新的最优结果。

Apr, 2020

基于三元组的深度相似性学习用于人员再识别

本文提出了基于三元组卷积神经网络的深度相似性学习框架，采用多数据集训练和双重采样方案，实现了在行人再识别任务中的有效性并表现出与甚至优于现有最先进方法的性能。

Feb, 2018

层次化三元组损失的深层度量学习

本研究提出了一种新的分层三元组损失（HTL），通过编码全局上下文信息的定义的分层树自动收集有用的训练样本（三元组），以解决深度度量学习中的集束采样的主要限制。

Oct, 2018

多视角 3D 物体检索的三元中心损失

研究了在三维目标检测中，利用不同的深度度量学习方法来提高检索效果的效果，并针对性的提出了三种不同的模型评估方式 —— 三元组损失、中心损失和三元组 - 中心损失，进行了广泛的实验验证和效果评估，最终和已有领先算法进行了效果对比。

Mar, 2018