提高协同度量学习效率的负样本采样优化
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
在基于图像标题检索的任务中,三元组损失与半硬负例已成为从头开始优化的方法的事实选择。最近度量学习的进展已经产生了比三元组损失在图像检索和特征表示等任务上效果更好的损失函数。本文通过比较两种基于图像标题检索方法上的三种损失函数来回答这个问题,结论是否定的:在基于图像标题检索的任务中,三元组损失与半硬负例仍然优于度量学习中新近引入的损失函数。我们使用一种计数方法来进行分析来获得更好的理解这些结果。
Feb, 2022
多边界损失(MML)是一种简单而有效的损失函数,通过引入多个边界和变化的负样本权重,解决了资源有限时的挑战,并在两个知名数据集上实验证明,在使用更少的负样本时,MML 相对于基准对比损失函数取得了高达 20%的性能提升。
May, 2024
本文研究基于深度神经网络和三元组中心损失的面部表情识别方法,并探索三种负样本选择策略和一种选择性注意力模块以提高识别效果。在 RAF-DB 数据集上进行的实验表明,所提出的方法相对于基线方法在所有三种负样本选择策略上都有显着改进。
Feb, 2023
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
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
本文针对之前的距离度量学习算法中存在的一些问题,提出了一种通过分布模型在表示空间中自适应评估相似性,并通过惩罚类别分布重叠实现局部判别的新方法,在多项任务上取得了最新的分类结果,并提高了所学表示的属性集中度和层次恢复能力。
Nov, 2015
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
提出了一种新的三元组目标函数的表达方式,明确规范化了三元组中正负特征之间的距离与主干网之间的距离,这种方法在基准数据集上和大规模医疗保健数据集 (UK Biobank) 上的表现均优于传统和现有的三元组目标函数表达方式,并已通过在健康风险预测中的实际应用,展示了指标学习在更复杂应用中的潜在影响。
Oct, 2022