خسارة متعددة التشابه مع وزن زوجي عام لتعلم المقاييس العميق

تم اقتراح مجموعة من دوال الخسارة المعتمدة على الحساب الثنائي في الأدبيات التي تقدم حلولاً متنوعة لتعلم المقاييس العميق. في هذا البحث، نقدم إطاراً عاماً للترجيح يساعد في فهم الدوال الثنائية الحديثة للخسارة. إسهاماتنا ثلاثية الأوجه: (1) نقوم بتأسيس إطار الترجيح الثنائي العام (GPW)، الذي يحول مشكلة العينات في تعلم المقاييس العميق إلى رؤية موحدة للترجيح الثنائي من خلال تحليل التدرج، مما يوفر أداة قوية لفهم الدوال الثنائية الحديثة للخسارة؛ (2) نظهر أن بإمكاننا مع GPW مقارنة ومناقشة العديد من الطرق الثنائية القائمة بشكل شامل، مع تحديد الاختلافات الواضحة والقيود الأساسية؛ (3) نقترح دالة خسارة جديدة تسمى دالة الخسارة متعددة الشبهات (MS loss) ضمن إطار GPW، والتي يتم تنفيذها بخطوتين تكراريتين (أي التنقيب والترجيح). هذا يتيح لها الأخذ بعين الاعتبار ثلاثة شبهات عند الترجيح الثنائي، مما يوفر نهجاً أكثر أساسية لجمع وترجيح الأزواج المعلوماتية. أخيراً، حققت الدالة المقترحة MS loss أداءً جديداً رائداً على أربع معايير استرجاع الصور، حيث تتفوق على الأساليب الأكثر حداثة مثل ABE\cite{Kim_2018_ECCV} و HTL بمargins كبيرة: 60.6٪ إلى 65.7٪ على CUB200، و 80.9٪ إلى 88.0٪ على مجموعة بيانات استرجاع الملابس داخل المتجر (In-Shop Clothes Retrieval dataset) عند Recall@1. يمكن الحصول على الكود من https://github.com/MalongTech/research-ms-loss.