Apr, 2023

深度度量学习的鲁棒性标定代理损失

PDF
TL;DR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。
deep metric learningproxy-based methodscalibrate proxysimilarity calculationlabel-noise datasets
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

  • 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

  • 代理合成：使用合成类学习深度度量学习

    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。

    Mar, 2021

  • 使用代理实现无需繁琐的距离度量学习

    使用 proxy 点的三元组损失函数能够更快速地优化距离度量学习，提高零样本学习数据集的精度至多 15％，且比其他三元组损失函数的收敛速度块 3 倍。

    Mar, 2017

  • 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

  • 深度度量学习中的信息样本感知代理

    本研究提出了一种名为 Informative Sample-Aware Proxy（Proxy-ISA）的基于代理（proxy）的深度度量学习方法，该方法使用一种定时的阈值函数直接修改每个样本的梯度权重因子，使模型更加敏感于信息样本，进而取得更优的检索精度表现。

    Nov, 2022

  • 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

  • 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

  • ProxyNCA++：重访和振兴代理邻域成分分析

    通过对 ProxyNCA 进行改进和优化，我们提出了 ProxyNCA++ 这一性能更卓越的模型，并在零样本检索数据集上实现了 22.9% 的平均召回率提升，并在 CUB200、Cars196、Sop 和 InShop 数据集上取得了最佳结果。

    Apr, 2020

  • ProcSim：基于代理的鲁棒相似性学习的置信度

    通过建立类别本体并创建语义一致的标签错误，提出了一种简单的框架 ProcSim，通过将样本与其类别代表的归一化距离计算得到置信度评分，从而训练鲁棒的深度度量学习模型，实验结果表明该方法在注入均匀和语义一致噪声的深度度量学习基准数据集上取得了最先进的性能。

    Nov, 2023