基于势场的深度度量学习
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
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
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
本文针对之前的距离度量学习算法中存在的一些问题,提出了一种通过分布模型在表示空间中自适应评估相似性,并通过惩罚类别分布重叠实现局部判别的新方法,在多项任务上取得了最新的分类结果,并提高了所学表示的属性集中度和层次恢复能力。
Nov, 2015
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
采用语言指导目标来进行视觉相似性学习,以更好地实现语义一致性并提升 Deep Metric Learning 的泛化能力。实验证明,语言指导方案可在各项基准测试中实现明显的模型无关性改善,并取得具有竞争力和最先进的结果。
Mar, 2022
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
本文介绍了关于迁移测度学习的分类和度量传递策略,包括直接度量逼近、子空间逼近、距离逼近和分布逼近。同时,总结和探讨了迁移测度学习的不同方法及其应用,并指出了未来可能的研究方向和挑战。
Oct, 2018