تعلم القياس مع HORDE: مُعَدِّل من الرتبة العالية للتمثيلات العميقة

تعلم مقياس فعّال للتشابه بين تمثيلات الصور هو المفتاح لنجاح التقدم الحديث في مهام البحث البصري (مثل التحقق أو التعلم بدون أمثلة). رغم أن جزء تعلم المقاييس معالج بشكل جيد، إلا أن هذا المقياس يتم حسابه عادةً على أساس المتوسط للخصائص العميقة المستخرجة. ثم يتم تدريب هذا التمثيل ليكون تمييزياً. ومع ذلك، فإن هذه الخصائص العميقة تميل إلى الانتشار عبر الفضاء الخصائصي. نتيجة لذلك، لا تكون التمثيلات مقاومة للقيم الشاذة، وإخفاء الأشياء، وتغيرات الخلفية وغيرها من العوامل. في هذا البحث، نعالج مشكلة الانتشار باستخدام تنظيم يعتمد على التوزيع يُسمى HORDE (تنظيم أسرة خصائص عميقة). يعمل هذا التنظيم على فرض وجود خصائص عميقة بنفس التوزيع لصور مرئياً قريبة والتي تكون محلياً جيدة في الفضاء الخصائصي. نقدم تحليلًا نظريًا يدعم هذا التأثير التنظيمي. كما نظهر فعالية نهجنا من خلال الحصول على أفضل النتائج الحالية على 4 قواعد بيانات معروفة (Cub-200-2011، Cars-196، Stanford Online Products و Inshop Clothes Retrieval).