本文转载自旷视研究院。
本文介绍了旷视研究院在迁移学习领域的创新,提出一种在归一化后的特征空间,通过迁移进行数据增强的方法,简单且有效。为ECCV 2020 的文章。
论文题目:
Spherical Feature Transform for Deep Metric Learning
论文链接:
https://arxiv.org/abs/2008.01469关键词:数据增强、迁移学习
传统来说,在特征空间内做迁移学习的方法,会假设不同类别的特征服从方差相同的高斯分布。如果定义特征的“偏移量”为特征向量与类别均值向量的差值,那么传统的迁移方法简单地把“偏移量”叠加到另一个类别的均值上。
本文发现,当特征被归一化后,即被约束到超球面上后,传统的迁移方法无论是基本假设还是迁移的方法都已经不成立。基于directional statistics,本文改进原有的“相同方差”假设为更符合球面分布特性的“相似方差”,进而提出了更适用的spherical feature transform,用于超球面上的特征迁移学习,且证明了传统的方法是本文提出方法的一种特例。
最后,本文还对所提出的迁移方法在人脸识别,度量学习等数据集上进行了大量的实验和分析,展现和证明了该方法的有效性。
END
备注:CV
计算机视觉交流群
扫码备注拉你入群。
我爱计算机视觉
微信号:aicvml
QQ群:805388940
微博知乎:@我爱计算机视觉
投稿:amos@52cv.net
网站:www.52cv.net
在看,让更多人看到