ECCVOct, 2018

层次化三元组损失的深层度量学习

PDF
TL;DR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。
hierarchical triplet lossdeep metric learningtriplet collectionimage retrievalface recognition
发现论文，激发创造
  • 深度度量学习的弱监督自适应三元组损失函数

    该研究提出一种弱监督自适应三元组损失方法来解决视觉相似性搜索中的距离度量学习问题，通过使用弱标记的产品描述数据来隐式地确定细粒度语义类别，从而提高了学习图像嵌入模型的泛化能力，并在 Amazon 时尚检索基准和 DeepFashion 店内检索数据集上实现了优于当前最先进模型的性能。

    Sep, 2019

  • 多视角 3D 物体检索的三元中心损失

    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。

    Mar, 2018

  • 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

  • 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

  • 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

  • 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

  • 深度度量学习中分享有助于泛化

    本论文旨在探究在不需要额外注释或训练数据的情况下，如何学习图像相似性的特征。通过构建一种新的三元组采样策略，实验结果表明，该方法可以显著提高深度度量学习的性能，并在各种标准基准数据集上实现了新的最优结果。

    Apr, 2020

  • HIER: 层次正则化度量学习超越类标签

    本文提出了一种新的监督学习正则化方法，名为 HIER，它可以在超几何空间中学习层次代理以逼近训练数据的语义层次结构，为度量学习提供更丰富和更细粒度的监督，并在四个标准基准测试中实现了最好的表现。

    Dec, 2022

  • 难负例虽难，但有用

    本文主要研究了三元组损失的应用，通过对三元组的空间特征进行特征分析，发现选择最难的负样本会导致失败的训练行为。为此，提出了简单的修复方法来优化损失函数，展示了使用硬负样本进行优化会产生更具可推广性的特征，从而在高内类差异数据集的图像检索结果中胜过现有技术成果。

    Jul, 2020