- 来源：arXiv 2103.15454v1
- 任务：图像检索，不重要
- 这篇文章设计了一个 metric learning 的新的 loss。对于这种多分类问题，传统是用 triplet loss (a)，把其他类别当做负例，推拉之间得到最好的分类边界；metric learning 就是给每一类找一个 proxy（or prototype），样本只和 proxy 计算 triplet loss，这样一能极大减少计算量，二能降噪（因为 proxy 一般是整个类别所有样本点平均得到，详见 这里）；本文相当于增强了 proxy 的数量，用 $(\tilde{x}, \tilde{p}) = (I_\lambda(x,x’), I_\lambda(p,p’))$ （$I_\lambda(a,b)$ 就是 $a,b$ 的线性组合）来生成更多的“伪 proxy”，感觉就是两种方法的一个折中
- 实验上这种方法好了五个点！以后一定要试试
