ECCVSep, 2020

深度度量学习的多元化互相学习

PDF
TL;DR本文提出了一种名为多样化互惠度量学习的有效互惠学习方法，通过利用互相学习中的三种多样性来增强嵌入模型的互惠学习，从而传递深层度量学习的关系性知识。试验表明，该方法显著提高了单个模型以及其集合的性能，并在常规数据集上取得了最好的回忆率 @1 表现。
mutual learningdeep metric learningdiversified mutual metric learningensemble trainingrelational knowledge
发现论文，激发创造
  • 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

  • 学习深度度量学习中的批内关联

    本研究提出了一种基于信息传递网络的方法，能够考虑 mini-batch 中全部样本之间的关系，通过加入注意力机制，使得样本能够在信息传递中自行确定重要性，该方法在 CUB-200-2011、Cars196、Stanford Online Products 和 In-Shop Clothes 数据集上取得了最佳效果。

    Feb, 2021

  • 密度自适应的深度度量学习

    本论文提出将数据的密度测量集成到 DML 的优化框架中，以在端到端的训练过程中自适应平衡类间相似性和类内变异性，通过在三种嵌入方式上增加密度适应性，不断地在三个公共数据集上展示清晰的改善。

    Sep, 2019

  • 基于注意力机制的深度度量学习集成

    本文介绍了一种基于注意力机制和分散度损失函数的深度指标学习方法，通过生成不同的注意力遮盖让不同的学习器关注样本的不同时空域特征，从而提高特征学习的多样性；实验结果表明，该方法在图片检索任务上优于现有的最优方法。

    Apr, 2018

  • 嵌入式泛化的可视化

    本文主要研究深层度量学习，特别是嵌入函数的学习，以及不同三元组选择策略对于学习效果及泛化能力的影响，同时介绍了一种基于可视化工具的嵌入效果展示方法。

    Sep, 2019

  • 具有参数高效迁移学习的通用度量学习

    我们引入了一种名为通用度量学习（UML）的新型度量学习范式，它能够学习到能够捕捉多个数据分布关系的统一距离度量。通过使用预训练模型和两个额外的模块，即随机适配器和提示池，我们提出了一种名为参数高效通用度量学习（PUMA）的方法来解决不平衡数据分布和对主导分布的偏见等新挑战。此外，我们还编译了一个包含 8 个不同数据集的新通用度量学习基准。相较于特定数据集模型，PUMA 在使用大约 69 倍较少的可训练参数的情况下表现更好。

    Sep, 2023

  • 深度关系度量学习

    本文提出了一种深度关系度量学习（DRML）框架，用于图像聚类和检索。该方法采用可自适应学习的特征集合来建模类内和类间分布，并使用关系模块和图建模在图像上进行关系推理，得到一种关系感知嵌入来测量相似性，从而有效提高了当前深度度量学习方法的效果。

    Aug, 2021

  • 引导式深层度量学习

    本文提出了一种新的由两个独立模型构成的度量学习结构 Guided Deep Metric Learning，通过使用 Few-Shot Learning 的角度来生成一个基于带标签数据的先验知识的减少的假设空间，之后通过离线的知识蒸馏方案来指导或规则化学生模型的决策边界，提高在分布偏移下的一般化，并获得了高达 40% 的 (Recall@1, CIFAR10) 改进。

    Jun, 2022

  • 深度度量学习的混合学习：两者共舞

    本文探究了如何结合数据增广方法和度量学习中的目标标签，提高表示学习质量，并引入了一种新的度量 —— 利用率。通过在深度度量学习数据集中的实验证明，与基于现有 LOSS 函数的方法相比，混合输入、中间表示或嵌入以及目标标签能够显著提高度量学习的性能。

    Jun, 2021

  • Rényi 离散度深度相互学习

    本文重新审视了一种非常简单却非常有效的计算范例 —— 深度相互学习，并且从一个新颖的角度阐释了 DML 的性能改进。本文提出了一种新的方法 RDML（Rényi Divergence Deep Mutual Learning），证明了 RDML 的优势。

    Sep, 2022