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 θ f a = arg min θ f J m ( θ f ; x i , x i + , 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=θfargminJm(θf;xi,xi+,x~i−,f)来获得参数 θ f θ_f θf,这里 x ~ i − \tilde{x}^− _i x~i−表示产生的负例(negative sample), x ~ i − = G ( θ g ; x i − , x i , x i + ) \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 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