摘要
近年来，随着深度学习的成功，深度度量学习取得了显著进展，并已成功应用于少样本学习、图像检索以及开放集分类等任务。然而，如何衡量深度度量学习模型的置信度并识别不可靠的预测结果，仍是尚未解决的关键挑战。本文致力于定义一种校准良好且可解释的置信度度量，使其能够紧密反映模型的实际分类准确率。在潜在空间中直接利用学习到的距离度量进行相似性比较的基础上，本文方法通过高斯核平滑函数近似每一类数据点的分布。所提出的置信度度量结合后处理校准算法，在独立的验证数据集上进行优化，不仅提升了当前最先进深度度量学习模型的泛化能力与鲁棒性，还提供了可解释的置信度估计。在四个主流基准数据集（Caltech-UCSD 鸟类、Stanford Online Products、Stanford Car-196 以及 In-shop 服装检索）上的大量实验表明，即使在测试数据存在分布偏移（如引入噪声或对抗样本）的情况下，该方法仍能 consistently 实现性能提升。