关于“Deep Adversarial Metric Learning”

最新推荐文章于 2025-05-21 20:25:08 发布

Allen_David

最新推荐文章于 2025-05-21 20:25:08 发布

阅读量1.8k

点赞数 1

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/gzw110605110/article/details/84845342

本文深入解析了Deep Adversarial Metric Learning（DAML）论文，该方法利用生成器产生难辨识的负例，改进度量学习。DAML的目标是通过优化目标函数，结合对抗性训练，提升分类和相似性度量的效果。应用包括对比度嵌入、三元组嵌入、提升结构和N-对损失等不同场景。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

                    
                    论文阅读笔记 
论文题目：Deep Adversarial Metric Learning
论文创新点：DAML利用大量 易辨识的负例（ easy negatives）生成 难辨识的负例（hard negatives）；现存的度量学习（metric learning）方法仅利用数量少的hard negatives而忽略数量多的easy negatives。如下图所示，
具体内容：
   DAML的网络结构如下：
    DAML的目的是通过优化设计好的目标函数 θfa=arg⁡min⁡θfJm(θf;xi,xi+,x~i−,f)θ ^a _f = \mathop {\arg\min} \limits_{θ_f} \mathrm{J} _m(θ_f ; x_i , x ^+ _i , \tilde{x} ^− _i , f)θfa​=θf​argmin​Jm​(θf​;xi​,xi+​,x~i−​,f)来获得参数θfθ_fθf​，这里x~i−\tilde{x}^− _ix~i−​表示产生的负例（negative sample），x~i−=G(θg;xi−,xi,xi+)\tilde{x} ^− _i = G(θ_g; x ^− _i , x_i , x ^+ _i )x~i−​=G(θg​;xi−​,xi​,xi+​)。

    生成器（generator）的目标函数为：
 min⁡θgJgen=Jhard+λ1Jreg+λ2Jadv=∑i=1N(∣∣x~i−−xi∣∣22+λ1∣∣x~i−−xi−∣∣22+λ2[D(x~i−,xi)2−D(xi+,xi)2−α]+)\mathop {\min} \limits_{θ_g} \mathrm{J}_{gen} = \mathrm{J}_{hard} + λ_1\mathrm{J}_{reg} + λ_2\mathrm{J}_{adv} = \sum \limits ^{N} _{i=1} (||\tilde{x} ^− _i − x_i ||^2 _2 + λ_1||\tilde{x} ^− _i − x ^- _i ||^2 _2 + λ_2[D(\tilde{x} ^− _i, x_i) ^2 − D(x ^+ _i , x_i) ^2 − α]_+)θg​