摘要
借助深度神经网络的发展浪潮，深度度量学习在使用三元组网络或孪生网络的各种任务中也取得了令人鼓舞的成果。尽管将同一类别的图像拉得比不同类别的图像更近这一基本目标直观易懂，但由于样本数量呈二次或三次增长，直接优化这一目标却十分困难。为了解决这个问题，广泛采用了仅关注被认为是难例的子集的硬例挖掘方法。然而，“难”是相对于模型而言的，复杂模型通常认为大多数样本都是容易的，而简单模型则相反，这不利于训练过程。样本也有不同的难度级别，很难定义一个复杂度适中的模型并恰当地选择难例。因此，我们提出了一种级联方式集成一组具有不同复杂度的模型，并自适应地挖掘难例的方法。具体来说，一个样本会依次由复杂度逐渐增加的一系列模型进行判断，并且只有当某个模型认为该样本是一个难例时才会更新该模型。我们在CARS196、CUB-200-2011、Stanford Online Products、VehicleID和DeepFashion数据集上对我们的方法进行了评估。结果表明，我们的方法大幅超越了现有最先进的方法。