CVPRJun, 2020

平滑代理锚损失用于噪声度量学习

PDF
TL;DR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。
metric learningnoisy labelssmooth proxy-anchor lossconfidence moduleembeddings
发现论文，激发创造
  • 深度度量学习的代理锚定损失

    该研究提出了一种新的代理损失方法，它结合了基于对和代理的方法的优点并克服了它们的局限性，同时具有更快的收敛速度和对嘈杂标签和离群值的鲁棒性，能充分利用数据之间的关系，其中该方法在四个公共基准测试中表现出最先进的性能和最快的收敛速度。

    Mar, 2020

  • 深度度量学习的鲁棒性标定代理损失

    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

  • 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

  • 代理合成：使用合成类学习深度度量学习

    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

  • 基于原型锚定的学习：处理不完美标注的学习

    本文研究了深度神经网络中不平衡分类和嘈音容忍性，并提出了一种名为原型锚定学习（PAL）的方法，将其纳入各种学习分类方案中，以应对不完美的注释。

    Jun, 2022

  • 软正交代理的深度度量学习

    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

  • 基于正交概率损失的无监督深度度量学习

    本文提出了一种无监督方法，使用基于图的聚类方法获取数据的伪标签，并使用三元组来引导度量学习，使用概率损失来最小化违反角度约束的几率，从而实现无需使用类标签的度量学习。研究表明，该方法具有竞争力，并对该方法的不同组成部分进行了全面研究。

    Aug, 2020

  • Co-matching: 通过增强锚定来对抗噪声标签

    本文提出了一种称为 Co-matching 的学习算法，通过增强锚定来平衡两个神经网络之间的一致性和不一致性，既不会过多地依赖于噪声标签，也具有分类性能。

    Mar, 2021

  • 音视频检索的锚点感知深度度量学习

    提出了一种创新的 Anchor-aware Deep Metric Learning (AADML) 方法，通过揭示现有数据点之间的潜在相关性来提高共享嵌入空间的质量，并在两个音频 - 视觉基准数据集上的广泛实验证明了该方法的有效性，显著超过了 state-of-the-art 模型。

    Apr, 2024

  • 学习密度感知嵌入

    本文提出了一种新颖的抗噪声深度度量学习算法，称为密度感知度量学习，其通过将模型迭代地向集群的最密集区域移动来实现更快速的收敛和更高的泛化性，并对两个具有挑战性的跨模态人脸识别数据库和两个流行的物体识别数据库进行了详细的实验和分析，表明该方法具有卓越的收敛性、较短的训练时间以及比其他流行的深度度量学习方法更好的精度。

    Apr, 2019