ECCVApr, 2018

基于注意力机制的深度度量学习集成

PDF
TL;DR本文介绍了一种基于注意力机制和分散度损失函数的深度指标学习方法，通过生成不同的注意力遮盖让不同的学习器关注样本的不同时空域特征，从而提高特征学习的多样性；实验结果表明，该方法在图片检索任务上优于现有的最优方法。
deep metric learningembedding functionensembleattention-based ensembledivergence loss
发现论文，激发创造
  • 度量学习的深度随机集合

    本文提出了一种新颖、可推广和快速的方法，定义了一组嵌入函数集合，并通过随机挑选小的标签子集来学习每个嵌入函数。实验证明，这些嵌入集合可创建有效的嵌入函数，这些函数用于图像检索，并在 CUB-200-2011、Cars-196、In-Shop Clothes 检索以及 VehicleID 上提高了最先进的性能。

    Aug, 2018

  • 学习密度感知嵌入

    本文提出了一种新颖的抗噪声深度度量学习算法，称为密度感知度量学习，其通过将模型迭代地向集群的最密集区域移动来实现更快速的收敛和更高的泛化性，并对两个具有挑战性的跨模态人脸识别数据库和两个流行的物体识别数据库进行了详细的实验和分析，表明该方法具有卓越的收敛性、较短的训练时间以及比其他流行的深度度量学习方法更好的精度。

    Apr, 2019

  • BIER 强化独立嵌入的深度度量学习

    本文研究了深度神经网络中图像对的相似性函数的学习方法，通过利用嵌入集合中的独立性来提高嵌入的鲁棒性，并借助在线梯度提升问题来划分深度网络的最后嵌入层。通过提出两个损失函数来增加集合的多样性，可用于权重初始化过程或训练期间，对图像检索任务的评估表明，我们的度量学习方法在多个数据集上均取得了比业界领先方法更好的表现。

    Jan, 2018

  • 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

  • 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

  • 计算机视觉中的深度度量学习概述

    通过深度度学习，优化深度神经网络的目标函数在创建输入数据的增强特征表示中起着至关重要的作用。然而，基于交叉熵的损失函数对于具有大的类内差异和低的类间差异的输入数据分布来说往往不够充分。深度度量学习旨在通过学习将数据样本映射到代表性嵌入空间的表示函数，以度量数据样本之间的相似性。它利用精心设计的采样策略和损失函数，帮助优化产生具有低类间和高类内方差的区分性嵌入空间的生成。在本章中，我们将概述该领域最新的进展，并讨论最先进的深度度量学习方法。

    Dec, 2023

  • 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

  • 深度关系度量学习

    本文提出了一种深度关系度量学习（DRML）框架，用于图像聚类和检索。该方法采用可自适应学习的特征集合来建模类内和类间分布，并使用关系模块和图建模在图像上进行关系推理，得到一种关系感知嵌入来测量相似性，从而有效提高了当前深度度量学习方法的效果。

    Aug, 2021

  • 多元突出感知深度集成提高对抗性鲁棒性

    提出一种基于多样性促进学习的深度集成方法，提高深度集成模型抵抗对手攻击的能力，减少攻击的迁移效应，实现更好的白盒和黑盒攻击防御性能。

    Dec, 2021

  • 基于转化注意力一致性和对比聚类损失的无监督深度度量学习

    该研究提出了一种基于变换后的注意力图的无监督深度度量学习方法，通过学习图像在比较中产生的视觉注意图的一致性，使用孪生深度神经网络对图像及其变化或匹配对进行编码和比较，并采用三元损失和对比聚类损失来增强生成特征的跨类别差别能力，实验结果表明该方法在无监督度量学习方面的表现超越了当前的最先进方法。

    Aug, 2020