ICLRNov, 2015

自适应密度判别度量学习

PDF
TL;DR本文针对之前的距离度量学习算法中存在的一些问题，提出了一种通过分布模型在表示空间中自适应评估相似性，并通过惩罚类别分布重叠实现局部判别的新方法，在多项任务上取得了最新的分类结果，并提高了所学表示的属性集中度和层次恢复能力。
distance metric learningrepresentation spaceclassificationfine-grained visual recognitiontriplet loss
发现论文，激发创造
  • 密度自适应的深度度量学习

    本论文提出将数据的密度测量集成到 DML 的优化框架中，以在端到端的训练过程中自适应平衡类间相似性和类内变异性，通过在三种嵌入方式上增加密度适应性，不断地在三个公共数据集上展示清晰的改善。

    Sep, 2019

  • 半监督度量学习：深度复苏

    本文研究了面向深度学习的半监督度量学习，提出了基于随机和图的方法，通过传播标记数据对的相似度来挖掘度量学习的三元组约束，并施加正交性约束以避免模型萎缩。

    May, 2021

  • 引导式深层度量学习

    本文提出了一种新的由两个独立模型构成的度量学习结构 Guided Deep Metric Learning，通过使用 Few-Shot Learning 的角度来生成一个基于带标签数据的先验知识的减少的假设空间，之后通过离线的知识蒸馏方案来指导或规则化学生模型的决策边界，提高在分布偏移下的一般化，并获得了高达 40% 的 (Recall@1, CIFAR10) 改进。

    Jun, 2022

  • 转移度量学习：算法、应用和展望

    本文介绍了关于迁移测度学习的分类和度量传递策略，包括直接度量逼近、子空间逼近、距离逼近和分布逼近。同时，总结和探讨了迁移测度学习的不同方法及其应用，并指出了未来可能的研究方向和挑战。

    Oct, 2018

  • 大规模距离度量学习及其不确定性

    本文提出了一种保持边界的度量学习框架，同时学习距离度量和潜在样本。该方法在处理大规模数据集时具有高效性，并且可以使学习的度量对数据不确定性具有鲁棒性，并且通过实验证明了该方法的有效性和高效性。

    May, 2018

  • SoftTriple Loss: 无需三元组采样的深度度量学习

    通过使用 SoftTriple loss 函数中每一个类别拥有多个中心的方式，可优化浅层距离计量学习算法，而无需采样。

    Sep, 2019

  • 基于方向统计的深度度量学习在图像分类和检索中的应用

    本文提出了一种基于余弦相似度的 DDML 方法，以更好地利用 L2 归一化，并提出了一种基于 von Mises-Fisher 分布的新型损失函数来学习子空间结构，加上一种新的高效学习算法可以更好地捕捉嵌入空间的整体结构，并在几个标准数据集上进行分类和检索实验，证明我们的方法具有良好的性能和较简单的训练过程。

    Feb, 2018

  • 使用代理实现无需繁琐的距离度量学习

    使用 proxy 点的三元组损失函数能够更快速地优化距离度量学习，提高零样本学习数据集的精度至多 15％，且比其他三元组损失函数的收敛速度块 3 倍。

    Mar, 2017

  • RepMet: 基于代表性度量学习的分类和单次物体检测

    本文提出了一种新的 DML 方法，该方法同时学习骨干网络参数、嵌入空间和每个训练类别在该空间中的多模态分布，通过单一的端到端训练过程优于现有最优方法，不仅在标准的精细化数据集上，而且在少样本目标检测问题上也取得最佳结果，并在基于 ImageNet 的情景基准下提供了一个新的少样本目标检测任务。

    Jun, 2018

  • 自适应抽样和小批量随机梯度下降进行高效距离度量学习

    本研究提出了利用随机梯度下降中的小批量和自适应采样两种策略来有效地减少 DML 的计算复杂度，证明了这些方法的理论保证，并进行了广泛的实证研究以验证所提出算法的有效性。

    Apr, 2013