学习图像聚类嵌入：三元组损失方法实证研究

Jul, 2020

学习图像聚类嵌入：三元组损失方法实证研究

Learning Embeddings for Image Clustering: An Empirical Study of Triplet Loss Approaches

Kalun Ho, Janis Keuper, Franz-Josef Pfreundt, Margret Keuper

TL;DR本文在嘈杂标签的假设下，使用 Triplet Loss 训练卷积神经网络学习能区分特征，并通过 K-means 和相关聚类评估三种 Triplet Loss 公式的聚类性能，提出一个新的公式优于现有方法，应用于 CIFAR-10 图像分类数据集。

Abstract

In this work, we evaluate two different image clustering objectives, k-means clustering and correlation clustering, in the context of triplet loss induced feature space embeddings. Specifically, we train a

image clustering triplet loss convolutional neural network noisy labels cifar-10 image classification

发现论文，激发创造

使用三元组损失学习关键词检测的有效表示

本文介绍一种利用三元组损失和变种 kNN 方法，以及基于音韵相似性的三元组挖掘方法相结合的表示学习技术，显著提高卷积网络的分类准确率，特别在语音识别领域中。作者还在 Google 语音命令数据集 V1 和 V2 中刷新最佳 SOTA 并超过 50% 的准确率提升。

Jan, 2021

人脸验证和聚类的三元概率嵌入

使用基于深度学习和三元组概率约束的低维高效嵌入的方法能够解决无约束人脸验证的问题，同时具有较好的性能和广泛的鲁棒性。

Apr, 2016

利用质心三元损失学习嵌入向量进行机器抓取中的物体识别

基于基础模型的对象识别模型训练中，采用质心三元组损失的方法，实现了高准确率和灵活的输入尺寸，同时在需要细粒度检测的 HOPE 数据集上表现优于相关方法。

Apr, 2024

三元组深度二进制嵌入网络的快速训练

本文针对图像检索任务，提出一种从图像到二进制码的压缩映射方法，使用三元组损失函数进行训练，并通过多标签分类问题和深度卷积神经网络实现高维二进制码的学习，从而实现高效的图像检索。

Mar, 2016

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

人脸验证的三元组相似度嵌入

提出了一种结合深度卷积神经网络和三元组相似性约束的低维判别嵌入的无约束人脸验证算法，在 IJB-A 数据集上显示出超越现有方法的性能提升和内存优化的优点。

Feb, 2016

使用深度三元组嵌入的个性化活动识别

本研究探讨了基于全卷积神经网络的个性化活动识别方法，通过个人三元组深度嵌入，并与基线方法等进行了比较，结果表明三元组损失提供了最佳性能。

Jan, 2020

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

通过优化全局损失函数学习具有深度连体和三元卷积网络的局部图像描述符

本文提出了使用三元组网络和全局损失函数来学习本地图像描述符的方法，使用 UBC 基准数据集进行比较，结果表明在减少 UBC 数据集误差方面，三元组网络比 Siamese 网络更准确，并且三元组和全局损失函数的组合是最佳的。最后，本文还展示了在 UBC 数据集上使用全局损失的中心 - 环绕 Siamese 网络的表现最好。

Dec, 2015

基于边际三元组嵌入的对抗学习正则化

本研究提出了一种方法来提高深度神经网络的鲁棒性，即将基于局部平滑特征空间的三元组嵌入正则化术语整合到分类目标中，该正则化术语由两步优化组成，可以通过明显的大 Margin 惩罚来找到潜在的扰动。在实验中，我们的方法在 MNIST，CASIA-WebFace，VGGFace2 和 MS-Celeb-1M 数据集上的表现证明了其增强了网络对特征和标签对抗攻击的鲁棒性。

Sep, 2019