AAAIMar, 2021

代理合成：使用合成类学习深度度量学习

PDF
TL;DR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。
deep metric learningembedding spacegeneralizationsynthetic classesproxy-based losses
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

  • 深度度量学习的对称合成

    本文提出了一种新的通过对称性生成合成难样本的方法 Symmetrical Synthesis，解决了既有的自编码器和生成对抗网络生成合成难样本的高超参数、难度大和训练速度慢的问题，无需修改网络并适用于现有的度量学习损失函数，在聚类和图像检索任务中比现有方法表现更优越。

    Jan, 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

  • 平滑代理锚损失用于噪声度量学习

    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

  • 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

  • 基于记忆虚拟类别的深度度量学习

    本研究提出了一种新的深度度量学习的训练策略 MemVir，通过记忆嵌入特征和类别权重并利用它们作为额外的虚拟类别，实现了对虚拟类别的利用，从而提高了对未见类别的泛化能力，同时通过逐步增加虚拟类别来增加学习难度，改善了学习稳定性和最终性能。

    Mar, 2021

  • 通过深度嵌入学习替代模型

    本文提出了一种通过最小化近似目标评估指标的替代损失来训练神经网络的技术，其中代理通过深度嵌入来学习，有效性在场景文本识别和检测任务中得到了证明。

    Jul, 2020

  • Fewer is More: 使用较少代理的深度图度量学习视角

    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

  • 利用类层次结构进行度量引导的原型学习

    本文提出了一种基于成本矩阵和原型网络的层次分类方法，其通过在嵌入空间中排列类原型来表征层次结构，并在四个公共数据集上验证了该方法的效果。

    Jul, 2020

  • 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