度量学习、细粒度识别相关论文阅读笔记（一）——SoftTriple Loss

最新推荐文章于 2024-07-05 20:03:51 发布
最新推荐文章于 2024-07-05 20:03:51 发布
阅读量3.3k 收藏 14
点赞数 6
分类专栏： CV论文解读 文章标签： 深度学习 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43273742/article/details/104113310
版权

度量学习、细粒度识别相关论文阅读笔记（一）——SoftTriple Loss

之前调研了几篇度量学习、细粒度识别相关领域的最新论文，现将之前做的论文笔记分享出来供大家一起探讨。
因为之前没有涉及过相关领域，如果有的地方理解不够准确希望大家指正。

文章目录

先回顾一下Triplet loss的原理以及应用。

Triple Loss

Triple Loss

Triplet loss最初是在 FaceNet: A Unified Embedding for Face Recognition and Clustering 论文中提出的，应用于人脸识别任务中。目前，Triplet loss也被广泛应用于各种细粒度识别任务中。
Triplet loss的目的是学习一个好的embedding，使得同一个人的人脸在嵌入空间中尽量接近，不同人的人脸在嵌入空间中尽量远离。
在这里插入图片描述
可以写成如下公式：
在这里插入图片描述
其中，a表示anchor， p表示同类样本，n表示异类样本。 为margin， 用来卡阈值，控制正负样本的距离，从而判断是不是属于同一个类别。
论文中的损失函数公式定义为：
在这里插入图片描述

Triplets挖掘

基于前文定义的Triplet loss，可以将采样得到的三元组分为以下三类：
easy triplets：L = 0，即满足，这种情况属于易分类三元组
hard triplets：，这种情况下anchor与同类样本距离远，属于会被误识别的三元组
semi-

最低0.47元/天 解锁文章
L的知识库
关注
  • 6
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
论文 基于度量学习的小样本学习研究 阅读心得
01-20
为引入间隔， 本文根据小样本场景特点提出了多路对比损失， 使得小样本学习模型可以学习到一个更加具有判别性的度量空间，同时泛化误差可以减小。带间隔的小样本学习是一个通用的框架，可以同各种基于度量的小样本...
经典回顾 | 达摩院细粒度分类方法 SoftTriple Loss 之 ICCV 高引论文深入解读
专注计算机视觉全栈知识分享
05-20 273
本文总结了关于深度度量学习中的局限性，并提出了一种名为的解决方案。作者指出，从小批量数据中采样三元组可能导致对整个数据集覆盖不足，从而降低深度度量学习模型的性能。为了解决这个问题，作者提出用多个中心来表示每个类别，并使用原始示例与类别之间的相似性定义了三元组，通过在模型的最后一个全连接层中编码这些中心。通过将纳入用于分类的标准SGD训练流程中，最终消除了采样阶段并直接学习嵌入向量。总的来说，SoftTriple在细粒度基准数据集上展现出一致的改进效果，证实了所提出的损失函数的有效性。
pytorch_metric_learning 一个灵活且可扩展的度量学习库，用PyTorch编写-python
06-18
pytorch_metric_learning 一个灵活且可扩展的度量学习库，用PyTorch编写 PyTorch Metric Learning News 6 月 20 日：v0.9.87 带来了一些可能导致您现有代码中断的重大更改。 有关详细信息，请参阅发行说明。 文档 在此处查看文档 Google Colab 示例 请参阅笔记本的示例文件夹，其中显示了带有日志记录和模型保存的整个训练/测试工作流程。 该库的优点 易于使用 在您的训练循环中只需 2 行代码即可将度量学习添加到您的应用程序中。 使用单个函数调用挖掘对和三元组。 灵活性以其他图书馆不允许的方式混合和匹配损失、矿工和培训师。 安装 Pip pip install pytorch-metric-learning 要获得最新的开发版本： pip install pytorch-metric-learning==0.9.88 在 Windows 上安装： pip install torch===1.4.0 torchvision===0.5.0 - f https://download.pytorch.org/wh
SoftTriple Loss: Deep Metric Learning Without Triplet Sampling
orangerfun的博客
12-23 2716
1. Abstract 距离度量学习（DML）用于学习嵌入，其中来自同一类别的示例比来自不同类别的示例更接近。 可以将其转换为具有三重态约束的优化问题。 由于存在大量三元组约束，因此DML的采样策略必不可少。随着深度学习在分类领域的巨大成功，它已被应用于DML。 当使用深度神经网络（DNN）学习嵌入时，每次迭代仅可获得一小部分数据。三重约束的集合必须在小批次中采样。 由于小批量无法很好地捕获原始集合中的邻居，因此使学习到的嵌入次优。相反，使用DNN优化作为分类损失的SoftMax损失在某些DML任务中表现出
SoftTriple Loss
weixin_44742887的博客
06-29 1052
目录19-ICCV-SoftTriple Loss：Deep Metric Learning Without Triplet SamplingSoftTriple LossMultiple CentersAdaptive Number of Centers1）SoftMax loss is equivalent to a smoothed triplet loss where each class has a single center.现实中一个类不只有一个中心，例如鸟有很多姿势（从细粒度角度解释）。扩展
达摩院细粒度分类SoftTriple Loss ICCV高引论文深入解读
孙佰贵的专栏
12-21 5899
SoftTriple Loss论文是在图像细粒度分类领域提出了新型度量学习方法，该方法可以被广泛应用于各种搜索、识别等领域中，目前谷歌学术引用240+，相对高引。相比原始论文文档，本文将介绍更多研究过程中遇到的问题点以及相应创新方法的演进历史。
【论文理解】两篇最新提升度量学习效果的少样本分类论文探讨——QPN和DCAP算法
lijianyi0219的博客
03-31 3185
内容概览前言一、基于度量学习的少样本分类1.算法描述2.缺点二、DCAP算法介绍1.算法流程2.密集分类3.注意力池化（Attentive Pooling）三、QPN算法介绍1.算法流程2.多尺度特征3.特定类特征生成总结 前言 本博文要介绍的两篇论文是2021年3月底挂在arxiv上的新文章，它们都是对基于度量学习的少样本分类算法进行了改进，并且改进点都在构造更优的用于度量的图像特征和类特征上面。 两篇文章的算法其实都不难，并且均采用了注意力以及关注图像小区域的密集特征方法。在本博文中对它们提出的核心技
XQDA.rar_XQDA_XQDA 度量学习_度量学习_行人重识别
09-23
度量学习（Metric Learning）是一种机器学习方法，其主要目标是通过学习一个合适的距离度量或相似性度量，使得同类样本之间的距离更小，不同类样本之间的距离更大。在这个背景下，XQDA（Extended Quadratic ...
基于度量学习的心电身份识别方法研究_毕业论文.pdf
10-27
在本论文中，我们将讨论度量学习算法在心电身份识别中的应用和优缺点，我们将讨论度量学习算法在心电信号处理和身份识别中的应用，包括度量学习算法的选择、心电信号的预处理、度量学习模型的评估等内容。...
196类车型模型
10-31
国外下载的196类车型，根据tensorflow训练出来的模型，识别效果比较好！因为数据少，后续会继续提高识别度！
基于距离度量学习的煤岩识别方法
07-17
提出了一种基于距离度量学习的煤岩识别方法。该方法首先从煤岩图像训练集中提取煤岩图像特征;然后学习到特定的距离度量,使得煤样本特征间、岩石样本特征间距离变小,煤样本特征与岩石样本特征间距离变大,以提高分类...
深度学习——人脸识别代码.rar
02-27
这个压缩包“深度学习——人脸识别代码.rar”很可能包含了一套用于人脸识别的完整代码实现，我们可以从多个角度来解析这个主题。 首先，人脸识别是计算机视觉中的一个重要任务，其目标是通过分析图像或视频流中的...
cars196数据集按照类别Label进行划分
RPG_Zero的博客
05-11 3944
数据集下载地址： https://ai.stanford.edu/~jkrause/cars/car_dataset.html 数据集中一共包含16185张不同型号的汽车图片，当用于细分类任务时，训练集中有8144张图片，测试集为8041张图片。当用于度量学习任务时，通常前98类作为训练集，后98类作为测试集。 需求： 将数据集按照类别Label进行归类，方便后续使用。 官网中有两个版本的数据集，旧版本中没有测试集的标注，根据我们的需求，我们要下载的是新版本(Update那一行)的图片和标注。 待移动的图片
Stanford Cars Datasets
qq_37933128的博客
08-29 4712
数据集包含196中汽车类型的图像，16185张不同型号的汽车图片，其中8144张为训练集，8041张为测试集。每个类别的图像相当，其中分类基于汽车品牌、车型和年份，例如：2012特斯拉Model S、2012 BMW M3 coupe。下载网址：https://ai.stanford.edu/~jkrause/cars/car_dataset.html。假设训练预测和测试预测是相同的格式，那么你在训练预测时使用这种函数，在评估服务器下测试预测应该有很好的结果。测试集图片下载：car_test.gz。...
Metric Learning度量学习简介及应用（分享笔记）
互相学习的小博客
03-01 4230
Metric Learning度量学习简介及应用（分享笔记）
CNN文献综述
最新发布
暴力扬
07-05 1191
卷积神经网络作为深度学习的重要分支，凭借其强大的特征提取能力和广泛的应用前景，成为了当前人工智能研究的热点。未来，随着计算资源的不断增长和算法的持续优化，CNN将继续在各个领域发挥重要作用，并推动人工智能技术的进一步发展。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值