【2017_ICCV_DML]Smart Mining for Deep Metric Learning

1. 为了解决DML问题得到feature embedding，目前主要用triplet model减少类内差异，增大类间差异，但是大量的训练样本会导致收敛很慢。这个问题促进了embedding的global structure发展和hard negative|positive，可是这些方法通常计算量比较大。文章提出的方法结合了Triplet model和embedding space的global structure，通过smart mining过程产生有效的训练样本，除此之外，还提出了一个adaptive controller能够自动调整smart mining 超参数。
2. DML通常面临的场景是类别特别多，每类的样本特别少。训练过程中通常需要选择hard triplet，这样能够获得有效大量级的梯度，加速收敛。