CVPRMar, 2018

多视角 3D 物体检索的三元中心损失

PDF
TL;DR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。
3d object recognitiondeep metric learningtriplet losscenter losstriplet-center loss
发现论文，激发创造
  • 多视角三维形状检索的 Angular Triplet-Center Loss

    本文提出了一种基于三角形中心角损失的度量损失方法，在 3D 物体检索任务中，通过优化形状特征之间的余弦距离，从而实现在类内距离较小、类间距离较大的目标，并在 ModelNet40 和 ShapeNetCore 55 等数据集上取得了最新的性能。

    Nov, 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

  • 使用学习损失的 3D 目标检测：寻找你的（3D）中心

    通过在未经过场景中心标记的未经处理的 3D 扫描数据中使用尽可能少的目标标签进行训练，我们提出了一种新的优化程序，其中含有两个网络，它们可以在与监督有可比性的情况下实现相当的性能，从而解决了 2D 图像与 3D 场景之间的差异问题。

    Apr, 2020

  • 基于深度判别度量学习的单目三维物体检测

    通过引入一种新的度量学习方案，我们的方法旨在提取具有深度区分特征的模型，而不增加推断时间和模型大小，通过使用距离保持函数来组织特征空间流形，将特征描述符之间的距离设置为与真实物体深度相关，并引入用于物体深度估计的辅助头部，以提高深度质量。此方法在 KITTI 和 Waymo 数据集上集成到各种基线模型中，实验证明了其广泛适用性，并且相对于基线模型，综合性能提高了 23.51% 和 5.78%。

    Jan, 2024

  • 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

  • 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

  • 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

  • 利用质心三元损失学习嵌入向量进行机器抓取中的物体识别

    基于基础模型的对象识别模型训练中，采用质心三元组损失的方法，实现了高准确率和灵活的输入尺寸，同时在需要细粒度检测的 HOPE 数据集上表现优于相关方法。

    Apr, 2024

  • 理论上完整的三元组损失上界，以提高深度距离度量学习的效率

    本文提出了一种新的线性损失函数来优化深度距离度量学习中的三元组损失函数，无需使用类别中心点最优化步骤，并有了实际运行时间复杂度为线性的算法。该方法在基准数据集上达到了竞争性的检索准确性结果。

    Apr, 2019

  • 深度人脸识别的三元组蒸馏

    本文提出了一种增强版本的三元组损失函数，名为三元组蒸馏，在多个数据集上展示了其优于原始三元组损失函数的优越性，能够自适应地变化正负样本之间的间隔，从而更好地利用相似性信息来提高紧凑模型的性能。

    May, 2019