学习分散的局部特征描述符
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
本文提出了一种自适应于本地功能结构的相似度度量,由于有利于选择真正的艰难样本来指导深度嵌入学习,并且具有更快收敛和提高性能的优势,在复杂的图像检索数据集上表现优异。
Oct, 2016
提出了一种受到SIFT匹配标准启发的用于学习局部特征描述符的新型损失函数,试验结果表明,该损失函数优于复杂的正则化方法,且适用于浅层和深层卷积网络结构,将新型损失函数应用于L2Net CNN结构得到的紧凑描述符,维度与SIFT相同(128),并取得了宽基线立体、块验证和实例检索基准的最先进性能。
May, 2017
本文提出了一种新颖的正则化方法,其中利用判别器网络中间层发生的降维作用,并训练二元化的低维表示向量,模拟更高维先前层的分布,以此使模型能够学习辨别性和紧凑的图像片段(图像描述符)。我们引入了两个损失项,旨在减少降维后的向量维度之间的相关性(i.e. 最大化关联熵,propagating relations between dimensions) 和将高维空间的维度之间的关系传播到低维空间。我们将得到的二进制图像描述符应用到图像匹配和检索两项具有挑战性的任务中,并实现了最优结果。
Jun, 2018
本研究提出了一种方法来提高深度神经网络的鲁棒性,即将基于局部平滑特征空间的三元组嵌入正则化术语整合到分类目标中,该正则化术语由两步优化组成,可以通过明显的大Margin惩罚来找到潜在的扰动。在实验中,我们的方法在MNIST,CASIA-WebFace,VGGFace2和MS-Celeb-1M数据集上的表现证明了其增强了网络对特征和标签对抗攻击的鲁棒性。
Sep, 2019
该篇论文提出了一种用于实例级别识别的高效学习本地描述符的方法,它使用度量学习来训练深度神经网络,通过内部组件的激活传递局部描述符。与现有本地描述符相比,在两个实例级别识别任务中提供更好的性能和更低的存储器需求,这证明了全局描述符在大规模情况下不够有效,适当的局部性是不可或缺的。
Jul, 2020
本研究探讨使用$L_{2}$正则化的DNNs的损失曲面,并证明了通过特征学习来实现最优隐藏表示,以及如何通过隐藏表示的协方差来证明$N(N+1)$神经元的局部最小值, 并且在传统设置中远不需要$N^{2}$神经元即可达到最小值。
May, 2022