摘要
本文提出了一种硬度感知的深度度量学习（Hardness-Aware Deep Metric Learning, HDML）框架。大多数先前的深度度量学习方法采用硬负样本挖掘策略来缓解训练中信息样本不足的问题。然而，这种挖掘策略仅利用了训练数据的一部分，可能无法充分描述嵌入空间的整体几何结构。为了解决这一问题，我们对嵌入向量进行线性插值，以自适应地调整其难度级别，并生成相应的标签保留合成样本用于再训练，从而使所有样本中的信息得到充分利用，并且度量始终面临适当的挑战难度。我们的方法在广泛使用的CUB-200-2011、Cars196和Stanford Online Products数据集上取得了非常有竞争力的性能。