ICCVApr, 2017

深度度量学习的智能挖掘

PDF
TL;DR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。
deep metric learningtriplet modelglobal structurenegative/positive miningsmart mining
发现论文，激发创造
  • 利用易于处理的正样本三元组挖掘改进嵌入

    该文章提出一种称之为 “Easy Positive” mining 的松散的嵌入策略，并利用实验和可视化方法证明了这种方法可以获得更灵活、泛化性更好的嵌入，可能为图像检索领域带来新的进展。

    Apr, 2019

  • 在线软挖掘与类别感知注意力的深度度量学习

    本文研究了深度度量学习中样本挖掘方法的两个关键局限，并提出了应对这些限制的解决方案，结合 Online Soft Mining (OSM) 和 Class-Aware Attention (CAA) 提出了一种新的加权对比损失方法，实验结果表明该方法在细粒度视觉分类和人员重识别任务中取得了良好的性能。

    Nov, 2018

  • 深层度量学习的群体损失

    本文提出了 Group Loss 损失函数，基于可微的标签传播方法实现了嵌入在奇异样本中的相似性、不同群组间的低密度特征，得到了用于聚类和图像检索的先进结果。

    Dec, 2019

  • 使用三元组网络进行深度度量学习

    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。

    Dec, 2014

  • 硬度感知深度度量学习

    本文提出了一种硬度感知的深度度量学习（HDML）框架，通过利用线性插值对嵌入空间进行自适应调整，生成相应的保留标签合成数据进行回收训练，以充分利用所有样本中 buried 的信息，从而使度量始终面对适当的困难程度。实验结果表明，本方法在 widely used 的 CUB-200-2011、Cars196 和 Stanford Online Products 数据集上表现出极具竞争力的性能。

    Mar, 2019

  • 利用等距逼近定理对硬负样本挖掘的数学证明

    本文讨论了利用等距逼近理论解决深度度量学习中 Triplet Loss 网络崩塌问题以及 Hard Negative Mining 的理论依据，并提出了未来避免网络崩塌的 Hard Negative Mining 方法。此理论还可拓展至其他基于欧几里得空间的度量学习方法。

    Oct, 2022

  • 硬件感知深度级联嵌入

    本篇论文提出了一种基于深度验证网络和模型集成的图像分类方法，通过自适应筛选样本并训练带有不同复杂度的模型，解决了大样本分类中的难例挖掘问题，相较于现有方法，该方法在多个数据集上有着更高的分类准确率。

    Nov, 2016

  • 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

  • 学习深度度量学习中的批内关联

    本研究提出了一种基于信息传递网络的方法，能够考虑 mini-batch 中全部样本之间的关系，通过加入注意力机制，使得样本能够在信息传递中自行确定重要性，该方法在 CUB-200-2011、Cars196、Stanford Online Products 和 In-Shop Clothes 数据集上取得了最佳效果。

    Feb, 2021

  • 基于度量学习的零样本分类的难负样本挖掘

    本文基于 Bucher 等人的工作，引入了一种新颖的度量学习目标函数，该函数可与图像和属性之间的相似度一起学习属性的最佳嵌入。本文通过提出若干控制生成负对的方案来扩展这种方法，在三个具有挑战性的零样本分类数据集上，获得了显着的性能提高，达到了最高水平的结果。

    Aug, 2016