深度度量学习的代理锚定损失
本文提出了一种 Calibrate Proxy (CP) 结构,它使用真实样本信息提高了代理损失中的相似度计算,并引入校准损失来约束代理优化向类特征中心。 通过多个实验验证了我们方法在三个公共数据集和多个合成噪音标签数据集上的有效性,表明我们的方法可以有效地改善常用代理损失在正常和噪声数据集上的表现。
Apr, 2023
本文提出了一种度量学习方法,采用 Smooth Proxy-Anchor Loss 度量与去除数据集中的噪声标签,结合置信度模块和加权采样,实现了可靠的样本嵌入生成。与当前最先进的度量学习损失(基于代理和基于对)相比,使用含有噪声标签的数据集进行训练,该方法提高了 2.63 和 3.29 的召回率。
Jun, 2020
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
本研究提出了一种名为 Proxy Synthesis 的正则化方法,旨在加强深度度量学习中的强泛化能力,尤其关注于构建同时适用于已知和未知类别的嵌入空间,其中包含了合成嵌入和代理的相关性及其对于合成类的模拟能力,并通过类关系和平滑决策边界,进一步实现对于未知类别的鲁棒性。实验证明该方法可以极大提升基于代理的模型的性能,并达到了最先进水平。
Mar, 2021
本文提出了一种基于 Soft Orthogonality (简称 SO) 的新方法来解决深度度量学习 (DML) 中代理点出现的问题,并结合数据高效的图像变换器 (DeiT) 作为编码器提取图片的上下文特征,以数据集检索等实验结果表明该方法在超越现有技术的同时,还具有更高的可靠性和实用性
Jun, 2023
本文提出了一种新颖的 Proxy-based deep Graph Metric Learning (ProxyGML) 方法,该方法从图分类的角度出发,采用少量代理实现了更好的综合性能,通过多个全局代理对于每个类别的数据点进行近似,采用反向标签传播算法调整邻居关系,以学习一个有区分性的度量空间。
Oct, 2020
本文旨在解决机器学习中的评估指标通常难以作为损失函数的问题,通过重新审视代理损失学习,并提出了一种基于排名相关性优化的方法来最大化代理损失和度量之间的关系进行代理损失学习。实验证明,该方法在图像分类、神经机器翻译等各种任务上都获得了显着的效率和性能提升,并在人体姿态估计和机器阅读理解任务上优于现有方法。
Feb, 2022
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
使用数据增强的领域自适应方法改进了代理度量学习,通过对鸟类图像、汽车图像、产品图像和衣物图像的实验表明,该方法显著提高了现有代理损失方法的效果,并获得了优于现有方法的结果。
Jan, 2024
本研究提出了一种名为 Informative Sample-Aware Proxy(Proxy-ISA)的基于代理(proxy)的深度度量学习方法,该方法使用一种定时的阈值函数直接修改每个样本的梯度权重因子,使模型更加敏感于信息样本,进而取得更优的检索精度表现。
Nov, 2022