ICCVSep, 2019

深度度量学习的弱监督自适应三元组损失函数

PDF
TL;DR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。
distance metric learningvisual similarity searchimage embedding modeladaptive triplet lossproduct description data
发现论文，激发创造
  • 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

  • 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

  • 角度损失的深层度量学习

    本研究提出了一种新的角度损失来学习更好的相似性度量，在三角形中约束负面点的角度具有大小不变性，并强制施加三阶几何约束，从而捕捉比对比损失或三重对损失更多的局部结构。

    Aug, 2017

  • 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

  • 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

  • 通过两个新的基于距离的损失函数，强制执行度量学习中的类别可分性，实现少样本图像分类：SuSana Distance 就是你所需要的

    提出了两种不同的损失函数 ——Proto-Triplet Loss 和 ICNN loss，其中考虑了嵌入向量的重要性，并评估了训练后网络获得的嵌入的质量。在实验中，相比其他度量法，这些损失函数在 miniImagenNet 基准测试中将准确率显著提高了 2％，表明这些损失函数有能力使网络更好地推广到以前未见过的类别。

    May, 2023

  • 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

  • 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

  • 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

  • 度量嵌入的半监督深度学习

    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