MMAug, 2022

HyP$^2$ Loss：多标签图像检索的超球度量空间之外

PDF
TL;DR本文提出了一种新的深度哈希度量学习框架 HyP^2 Loss，在多标签情境下构建了一个表达性强且训练复杂度低的度量空间，将数据对的数据对应性和代理方法的高效性相融合，提高图像检索的性能。
image retrievaldeep hashingmetric learningmulti-label scenarioshyp^2 loss
发现论文，激发创造
  • 使用软对比相似度提高多标签图像检索的深度哈希

    本文提出了一种新的深度哈希方法，通过将成对相似性重新定义为实例相似性，基于实例相似性，构造了加权交叉熵和最小均方误差损失，用于同时学习特征和哈希编码，实验表明，这种方法优于竞争方法，在多标签图像检索中实现了最先进的性能。

    Mar, 2018

  • 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

  • 超球原型建模的小样本分类

    使用张量场来建模类的几何学方法在 few-shot learning 方面是一种更加有效的方法，我们提出了一种简单而有效的方法 -- hypersphere prototypes (HyperProto)，使用动态尺寸的超球体来表示类信息，同时在 NLP 和 CV 领域上的实验验证了我们方法的有效性。

    Nov, 2022

  • 超载荷视觉变压器：将度量学习的改进相结合

    基于超几何空间的视觉 Transformer 模型，使用改进版的成对交叉熵损失函数直接优化嵌入向量，经过六种不同的数据集表明得到了全新的最先进性能。

    Mar, 2022

  • 通过困难负例采样理解双曲度量学习

    最近几年，将双曲几何方法融入计算机视觉领域的趋势日益增长。本研究调查了将双曲空间整合到度量学习中的效果，特别是在使用对比损失进行训练时。我们通过深入研究评估了使用混合目标函数的视觉变换器 (ViTs) 结果来解决现有文献中关于对比损失温度影响的问题，并提供了观察到的性能改进的理论分析。我们还揭示了双曲度量学习与困难负样本抽样的密切关系，为未来的工作提供了思路。我们的代码可在线获取。

    Apr, 2024

  • 基于深度语义排名的多标签图像检索哈希

    使用神经网络结合深度学习的方式，针对多标签图像，提出了一种能够保持多层语义相似度的哈希函数学习方法，并在多标签图像数据集上的排名评估中证明了该方法的优越性。

    Jan, 2015

  • Hyp-UML: 超几何图像检索与不确定性感知度量学习

    我们提出了一种基于双曲空间的带不确定性度量学习的图像嵌入算法，通过广泛的实验验证了该算法在相关方法中达到了最新的成果，并通过全面的剖析研究验证了提出算法的每个组成部分的有效性。

    Oct, 2023

  • 超越二元监督的深度度量学习

    本文引入了一种基于连续标签的深层度量学习新方法，包括使用连续标签进行三元组损失和适应连续标签的三元组挖掘策略，同时实验结果显示该方法在三种不同的图像检索任务中表现出较优异性能。

    Apr, 2019

  • 深度度量学习的通用配对加权多相似性损失

    本文提出了一种基于对比度计算的新的损失函数，并建立了通用对权重（GPW）框架，将深度度量学习的采样问题转化为对加权问题。通过对三个相似度的归一化，提出了一种新的多相似度损失（MS 损失）来收集和加权信息对，得到了较好的性能表现。

    Apr, 2019

  • 硬件感知的点对集深度度量在人员再识别中的应用

    通过一种基于点 - 集三元组损失函数架构的 Hard-Aware Point-to-Set (HAP2S) 损失以及软硬采样机制，我们提出的方法在精度、鲁棒性、灵活性和泛化性等方面均优于其他基准函数，并应用于除 person re-ID 外的 CUB-200-2011 和 Cars196 等深度度量学习基准测试中均取得了最先进的结果。

    Jul, 2018