关于“Deep Adversarial Metric Learning”

论文阅读笔记

1. 论文题目：Deep Adversarial Metric Learning
2. 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，
3. 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 ${\theta }_f^a=\underset{{\theta }_f}{\mathrm{argmin}}{\mathrm{J}}_m({\theta }_f;x_i,x_i^{+},{\tilde{x}}_i^{-},f)$来获得参数${\theta }_f$，这里${\tilde{x}}_i^{-}$表示产生的负例（negative sample），${\tilde{x}}_i^{-}=G({\theta }_g;x_i^{-},x_i,x_i^{+})$。
   
      生成器（generator）的目标函数为：
   min ⁡ θ g J g e n = J h a r d + λ 1 J r e g + λ 2 J a d v = ∑ i = 1 N ( ∣ ∣ x ~ i − − x i ∣ ∣ 2 2 + λ