Sampling Matters in Deep Embedding Learning
论文地址:
https://arxiv.org/abs/1706.07567
代码地址:
https://github.com/suruoxi/DistanceWeightedSampling
论文摘要:
深度嵌入解决的是衡量图像之间的特征相似读。
最突出的方法是优化一个具有适当损失函数的深度卷积网络,如 contrastive loss 和 triplet loss。虽然大量的工作只关注损失函数,但我们在本文中表明,训练样本的采样策略起着同样重要的作用。
因此我们提出了距离加权抽样,它选择了比传统方法更有信息量和稳定的样本。此外,我们还证明了一个简单的基于边际的损失非常优于所有其他损失函数。
论文简介:
将图像转换为丰富的语义表示的模型是现代计算机视觉的核心,其应用范围从零镜头学习和视觉搜索,到人脸识别或细粒度检索。被训练成考虑成对关系的深度网络已经成为最成功的嵌入模型。
深度嵌入学习的核心思想很简单:在嵌入空间中拉近