摘要
度量学习的目标是学习一个映射函数，将样本映射到低维空间，使得相似样本之间的距离更近，而不同样本之间的距离更远。特别是，深度度量学习利用神经网络来学习此类映射。现有大多数方法依赖于仅考虑样本对或三元组之间关系的损失函数，这些关系通常局限于同一类别内部或两个不同类别之间。然而，这些方法并未充分探索嵌入空间的整体结构。为此，我们提出一种基于消息传递网络（message passing networks）的方法，能够同时考虑小批量（mini-batch）中所有样本之间的全部关系。通过在给定批次内的所有样本之间交换消息，我们对嵌入向量进行精细化调整，从而使训练过程能够感知整体数据结构。由于并非所有样本对决策边界预测的重要性均等，我们在消息传递过程中引入注意力机制，使每个样本能够自适应地评估其邻居的重要性。我们在CUB-200-2011、Cars196、Stanford Online Products以及In-Shop Clothes数据集上的聚类和图像检索任务中均取得了当前最优（state-of-the-art）的性能表现。为促进后续研究，我们已将代码与训练模型开源，地址为：https://github.com/dvl-tum/intra_batch_connections。