ECCVJul, 2022

深度度量学习的密集锚定采样

PDF
TL;DR本文提出了一种名为 Densely-Anchored Sampling (DAS) 方案来解决深度度量学习中的数据稀疏问题，该方案结合了 DFS 和 MTS 来产生更多的嵌入以促进采样过程，从而提高了 DML 的性能。
deep metric learningsampling methodsmissing embedding issuedensely-anchored samplingdiscriminative feature scaling
发现论文，激发创造
  • 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

  • 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

  • 通过数据增强域自适应实现基于代理的深度度量学习的改进

    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

  • 半监督度量学习：深度复苏

    本文研究了面向深度学习的半监督度量学习，提出了基于随机和图的方法，通过传播标记数据对的相似度来挖掘度量学习的三元组约束，并施加正交性约束以避免模型萎缩。

    May, 2021

  • 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

  • 深度度量学习中训练策略和泛化性能的重访

    本文通过对深度度量学习算法的客观比较研究，发现了深度度量学习算法饱和度高于文献中表明的水平，并揭示了嵌入空间密度与模型泛化性能之间的相关性，并提出了一种简单有效的训练正则化方法来提高基于排名的深度度量学习模型的性能。

    Feb, 2020

  • DASA：面向说话人验证的难度感知语义增强

    通过围绕发音人嵌入空间中的语义方向对训练样本进行扰动，使用鲁棒性发音人嵌入来估计准确的协方差矩阵，并推导出了预期损失的闭式上界，该研究提出了一种新颖的难度感知的语义扩增方法，能够在几乎没有额外计算成本的情况下产生多样化的训练样本，取得了令人瞩目的性能改进。

    Oct, 2023

  • 基于势场的深度度量学习

    深度度量学习的一篇研究论文通过使用替代方法，建立了一个组合模型，引入电场物理学的启发，将潜在作用场作用在不同类别图像嵌入之间的交互上，并在实际数据集中实现了优异的性能。

    May, 2024

  • 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

  • 自适应抽样和小批量随机梯度下降进行高效距离度量学习

    本研究提出了利用随机梯度下降中的小批量和自适应采样两种策略来有效地减少 DML 的计算复杂度，证明了这些方法的理论保证，并进行了广泛的实证研究以验证所提出算法的有效性。

    Apr, 2013