التعلم العميق بالمعيار مع BIER: تعزيز المتضمنات المستقلة بشكل متين

تعلم وظائف التشابه بين أزواج الصور باستخدام الشبكات العصبية العميقة يؤدي إلى تنشيطات ذات ارتباط عالٍ للتمثيلات المضمنة (embeddings). في هذا العمل، نوضح كيفية تحسين متانة هذه التمثيلات من خلال استغلال الاستقلالية داخل المجموعات (ensembles). لهذا الغرض، نقسم الطبقة الأخيرة من التمثيل المضمن في شبكة عميقة إلى مجموعة تمثيلات مضمنة ونقوم بصياغة تدريب هذه المجموعة كمشكلة تعزيز تدرجية عبر الإنترنت (online gradient boosting). يحصل كل متعلم على عينة تدريبية مرجحة بشكل جديد من المتعلمين السابقين. بالإضافة إلى ذلك، نقترح دالتين خسارة تعملان على زيادة التنوع في مجموعتنا. يمكن تطبيق هاتين دالي الخسارة إما لتهيئة الأوزان أو أثناء التدريب. معًا، تسهم مساهماتنا في الاستفادة بشكل أكثر فعالية من أحجام التمثيل الكبيرة عن طريق الحد بشكل كبير من ارتباط التمثيل وبالتالي زيادة دقة الاسترجاع للتمثيل. يعمل طريقة المقاييس الخاصة بنا مع أي دالة خسارة قابلة للمفاضلة ولا يضيف أي معلمات إضافية أثناء وقت الاختبار. قمنا بتقييم طريقة تعلم المقاييس الخاصة بنا على مهام استرجاع الصور وأظهرنا أنها تتفوق على أفضل الطرق الحالية في مجموعات البيانات CUB 200-2011، Cars-196، Stanford Online Products، In-Shop Clothes Retrieval و VehicleID.