CVPRApr, 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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 通过三元损失的对抗训练提高深度神经网络的鲁棒性

    本文提出了一种名为 Adversarial Training with Triplet Loss 的算法，通过利用距离度量学习技术中的 Triplet Loss 方法，提高了深度神经网络的鲁棒性，并在此基础上提出了一个集合版本的算法，可以取得更好的防御效果。同时，作者还证明了此三元组损失可以用于提高其他防御方法的性能。

    May, 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

  • 使用代理实现无需繁琐的距离度量学习

    使用 proxy 点的三元组损失函数能够更快速地优化距离度量学习，提高零样本学习数据集的精度至多 15％，且比其他三元组损失函数的收敛速度块 3 倍。

    Mar, 2017

  • 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

  • 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

  • 一种包含三元组折叠的公平分类器

    本文研究三元损失函数的行为，表明在随机三元组选择的情况下，当三元损失函数的边缘大于潜空间中两点之间的最大距离时，可以利用其崩溃现象来限制机器学习模型所创造和长期保持的偏见，从而得到公平的分类器。

    Jun, 2023

  • 三元组学习的稳定性和泛化性能

    本研究基于稳定性分析，研究了三元组学习的一般化保证，并获得了随机梯度下降和正则化风险最小化的高概率一般化上限和过量风险下限，这为三元组度量学习的理论奠定了基础。

    Feb, 2023

  • 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

  • 利用批量最优输运损失进行三维形状识别学习

    本研究提出了一种基于批量样本的优化传输规划的学习重要性驱动的距离计量方式，与端到端深层度量学习相结合，可以自动强调困难的样本，加速收敛率并获得更好的视觉识别表现，实验证明方法优于现有 3D 形状识别技术。

    Mar, 2019