Proxy Synthesis: Learning with Synthetic Classes for Deep Metric Learning

  • 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

发表评论

您的电子邮箱地址不会被公开。