CVPRApr, 2019

深度度量学习的通用配对加权多相似性损失

PDF
TL;DR本文提出了一种基于对比度计算的新的损失函数，并建立了通用对权重（GPW）框架，将深度度量学习的采样问题转化为对加权问题。通过对三个相似度的归一化，提出了一种新的多相似度损失（MS 损失）来收集和加权信息对，得到了较好的性能表现。
loss functionsdeep metric learningpair weightingmulti-similarity lossimage retrieval
发现论文，激发创造
  • 多相似性对比学习

    基于多个相似性度量的新型多相似性对比损失（MSCon）提供了在不同相似关系下学习可推广嵌入的方法，通过自动学习对应相似性的对比权重，降低不确定任务的影响，从而在内部和外部领域中优于最先进的基准模型。

    Jul, 2023

  • 跨模态匹配的通用加权度量学习

    本文提出了一种基于通用加权框架的新型多项式损失函数，该框架适用于异构特征的跨模态匹配，并成功应用于两个图像 - 文本匹配基准和两个视频 - 文本匹配基准。

    Oct, 2020

  • 使用梯度手术探究不同损失函数的影响

    利用 pair-wise loss 进行度量学习可以通过梯度分解来统一当前的损失函数，并明确构建配对梯度更新，以最大程度地提高对图像数据集的检索精度。

    Jan, 2022

  • 使用软对比相似度提高多标签图像检索的深度哈希

    本文提出了一种新的深度哈希方法，通过将成对相似性重新定义为实例相似性，基于实例相似性，构造了加权交叉熵和最小均方误差损失，用于同时学习特征和哈希编码，实验表明，这种方法优于竞争方法，在多标签图像检索中实现了最先进的性能。

    Mar, 2018

  • 水平加权结构相似性差异度损失：从均方误差迈出一步

    文章提出了一种基于结构相似度指标（SSIM）的新的加权结构相似度损失（LWSSIM）来代替均方误差（MSE）损失函数， 可以解决像素的独立性和样本空间相关性的矛盾，该模型在各种自编码器中得到了成功的应用。

    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

  • HyP$^2$ Loss：多标签图像检索的超球度量空间之外

    本文提出了一种新的深度哈希度量学习框架 HyP^2 Loss，在多标签情境下构建了一个表达性强且训练复杂度低的度量空间，将数据对的数据对应性和代理方法的高效性相融合，提高图像检索的性能。

    Aug, 2022

  • Circle Loss：一种统一的对偶相似性优化视角

    本文提供了一个对深度特征学习进行相似性优化的观点，介绍了一种更灵活的 Circle 损失函数，并且在人脸识别、人员重新识别以及一些细粒度图像检索数据集上展示了 Circle 损失的卓越性能。

    Feb, 2020

  • 使用感知相似度度量学习生成图像

    通过使用 better calibrated to human perceptual judgments of image quality: the multiscale structural-similarity score (MS-SSIM) 进行训练而不是使用 pixel-wise loss (PL)，提出了更好的 perceptually-optimized methods，已被证明在三种不同的自动编码器中表现更好，可以在图像分类和超分辨率成像方面为计算机视觉带来极大的潜力。

    Nov, 2015

  • 关于在线学习算法在成对损失函数中的泛化能力

    本文研究了基于在线学习的随机方法的泛化特性，提出了一种通用的解耦技术，可以提供基于 Rademacher 复杂度的泛化误差界限，并进一步分析了一类内存效率的在线学习算法。

    May, 2013