![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
learning to rank
文章平均质量分 87
应用于cross-modal
qq2285580599
这个作者很懒,什么都没留下…
展开
-
PL-ranking: A Novel Ranking Method for Cross-Modal Retrieval
摘要由于优化排序的前几位在实践中更加可靠,我们专注于提升排序列表的前几位的精度。首先,我们使用了一个pairwise的排序loss去优化排序列表的前几位。也就是WARP.其次,考虑到pairwise的方式没有考虑所有不同类别的样本,我们使用了listwise的方式去最大化类间距离,最小化类内距离。通过这种方式,类信息被很好地保留并且迭代的次数也有效地下降。最后,低秩约束被用于优化特征和标签的关系。因为将不同模态映射到公共子空间后,可以增强它们之间的相关性。优化,采用最新的FA原创 2021-05-16 20:43:37 · 86 阅读 · 0 评论 -
Large scale image annotation: learning to rank with joint word-image embeddings
摘要这种方法通过优化排序表中第k点的精度,并且为图片和图片的注解学习了一个共同的嵌入空间。这种方法训练起来比baseline的算法更快,并且占用的内存也更少。这个模型能够学习语义,即使这个模型没有预测出正确的结果,它也能预测出较相近的那个结果。(我的疑问:什么叫做优化排序表中第k点的精度?难道找到第k个violate点,计算完损失后再退出,就是top-k,那本文所说的k就是不确定啊,因为你不知道采样的第几个会出现violate.)WARP的思想我们这种方法通过学习排序来训练它的参原创 2021-05-16 16:11:34 · 110 阅读 · 0 评论