论文笔记（2019.3.11-2019.3.17）

最新推荐文章于 2024-03-23 23:45:55 发布

原创最新推荐文章于 2024-03-23 23:45:55 发布 · 895 阅读

CC 4.0 BY-SA版权

本文介绍了cvpr2019的论文Hardness - Aware Deep Metric Learning。先前深度度量学习的硬负挖掘策略有不足，该论文提出硬度感知深度度量学习框架，通过对嵌入线性插值生成合成样例用于训练，还介绍了框架网络架构，最后提及有实验结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文题目：Hardness-Aware Deep Metric Learning（来源：cvpr2019）

解决的问题：

先前的深度度量学习方法为了缓解训练样本信息不足的问题，大多采用硬负挖掘策略。但是这种挖掘策略只利用训练数据的一个子集，这可能不足以表征嵌入空间的全局特征。

解决方案：

提出硬度感知深度度量学习(Hardness-Aware Deep Metric Learning)框架。对嵌入（embedding）进行线性插值以自适应地操纵它们的硬水平（hard level），并生成相应的保持标签的合成样例用于模型训练。
HDML方法的示意图：

所提出的可感知硬度的增强方法首先将样本 $y−\mathbf{y}^-$ 修改 $y^−\hat{\mathbf{y}}^{-}$ 。然后，一个保持标签和硬度的生成器将它投射到 $y~−\widetilde{\mathbf{y}}^{-}$ ，这是流形上最接近 $y\mathbf{y}$ 的点。合成负例的硬度可以自适应地控制，且不改变原有的标签，因此可以很好地利用合成硬度感知元组进行有效的训练。说明：特征空间中的一条曲线表示一个流形，在该流形附近的样本属于一个特定的类。特征空间和嵌入空间中颜色相同的点代表同一样本，形状相同的点表示属于同一类。

通俗说明方法：我们采用一种自适应线性插值方法来有效地操作嵌入的hard level。在获得了增强嵌入后，利用一个同时训练好的生成器将它们映射回特征空间，同时保持标签和增加的硬度。利用合成具有硬度感知的样本作为对原始样本的补充。
HDML框架的总体网络架构如下：

图片通过CNN层提取转换为features $y\mathbf{y}$ ，features通过全连接层转换为embeddings $z\mathbf{z}$ ，通过使用文章提出的 hardness-aware augmentation方法，调整 $z−\mathbf{z}^-$ 的硬度得到 $z^−\hat{\mathbf{z}}^-$ 。由于 $z^−\hat{\mathbf{z}}^-$ 的标签可能与 $z−\mathbf{z}^-$ 的不同，因此我们将 $z−\mathbf{z}^-$ 转换为与 $z^−\hat{\mathbf{z}}^-$ 标签相同的 $z~−\widetilde{\mathbf{z}}^{-}$ 。为了将合成的负例用于模型训练，我们将embeddings空间的 $z\mathbf{z}$ 转换回feature空间的 $y\mathbf{y}$ 。

实验结果

在这里插入图片描述