《Multi-Similarity Loss with General Pair Weighting for Deep Metric Learning》
原文Multi-Similarity Loss with General Pair Weighting for Deep Metric Learningopenaccess.thecvf.com
codehttps://github. com/MalongTech/research-ms-lossgithub
摘要
在深度度量学习(deep metric learning)中,有一系列的基于对(pair-based)的损失函数被提出。但是都没有提出一个统一的框架去理解这些损失函数,论文中提出了一种通用的加权框架,去理解这些基于对(pair-based)的损失函数。文中将这种框架称为通用的对加权(General Pair Weighting, GPW),其将深度度量学习中的采样问题看成通过梯度分析的对加权问题。通过使用GPW,可以比较并且更好的理解现有的基于对(pair-based)的方法的明显不足与关键限制。论文中还在GPW的框架下提出了一个新的损失函数叫多相似性损失(multi-similarity loss, MS loss),该方法主要分为两个迭代步骤,即挖掘(mining)和加权(weighting)。MS loss在图像检索任务中达到了目前最好,在CUB200和In-Shop Clothes Retrieval dataset。
General Pair Weighting(GPW)
GPW框架
设
是一个实值的实例向量(可以理解为CNN中的fc的输出),然后我们有一个实例矩阵
(其中
可以理解为batch_size),和一个标签向量
。然后实例
通过一个函数
映射到一个一个
维度的单位空间,这里的
指的是带有参数
的神经网络。然后我们定义两个样例的相似性
,其中
指的是点成(dot product),得到一个相似性矩阵
,其
位置的元素表示为
。
对于一个基于