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
本研究探讨了使用其他层进行特征提取以及加入新的规范化实践对深度度量学习的影响,表明在小至中规模数据下,使用其他层进行特征提取有助于使模型更好地泛化,可以提高细粒度图像检索的性能。
Mar, 2018
该文章提出一种称之为 “Easy Positive” mining 的松散的嵌入策略,并利用实验和可视化方法证明了这种方法可以获得更灵活、泛化性更好的嵌入,可能为图像检索领域带来新的进展。
Apr, 2019
本文提出了一种新颖的深度度量学习方法,该方法将三元组模型和嵌入空间的全局结构相结合,依赖于智能挖掘过程以在低计算成本下产生有效的训练样本,通过自适应控制器来加快训练过程的收敛速度,并在实验证明相比其他竞争挖掘方法,我们的方法可以更快地进行更准确的三元组 ConvNets 训练,同时在 CUB-200-2011 和 Cars196 数据集上实现了最新的嵌入结果。
Apr, 2017
本文通过对深度度量学习算法的客观比较研究,发现了深度度量学习算法饱和度高于文献中表明的水平,并揭示了嵌入空间密度与模型泛化性能之间的相关性,并提出了一种简单有效的训练正则化方法来提高基于排名的深度度量学习模型的性能。
Feb, 2020
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
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
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
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
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