Multi-Similaritätsverlust mit allgemeinem Paargewicht für tiefes Metriklernen

In der Literatur wurden eine Reihe von Verlustfunktionen vorgeschlagen, die auf paarbasierten Berechnungen basieren und eine Vielzahl von Lösungen für tiefes Metriklernen bieten. In dieser Arbeit stellen wir ein allgemeines Gewichtungsframework vor, um jüngere paarbasierte Verlustfunktionen zu verstehen. Unsere Beiträge sind dreifach:Wir etablieren ein Framework für die Allgemeine Paargewichtung (General Pair Weighting, GPW), das das Stichprobenproblem des tiefen Metriklernens durch eine einheitliche Sichtweise der Paargewichtung mittels Gradientenanalyse in ein leistungsfähiges Werkzeug zur Analyse jüngerer paarbasierter Verlustfunktionen verwandelt.Wir zeigen, dass mit dem GPW verschiedene existierende paarbasierte Methoden umfassend verglichen und diskutiert werden können, wobei klare Unterschiede und wesentliche Einschränkungen identifiziert werden.Unter dem GPW schlagen wir eine neue Verlustfunktion vor, den Multi-Similaritäts-Verlust (Multi-Similarity Loss, MS-Verlust), der in zwei iterativen Schritten (d.h., Mining und Gewichtung) implementiert wird. Dies ermöglicht es, drei Ähnlichkeiten bei der Paargewichtung vollständig zu berücksichtigen und bietet einen fundierteren Ansatz zur Sammlung und Gewichtung informativer Paare.Schließlich erzielt der vorgeschlagene MS-Verlust auf vier Bildretrieval-Benchmarks neue Standarte-Leistungen, bei denen er die neuesten Ansätze wie ABE\cite{Kim_2018_ECCV} und HTL deutlich übertrifft: 60,6 % bis 65,7 % auf CUB200 und 80,9 % bis 88,0 % auf dem In-Shop Clothes Retrieval-Datensatz bei Recall@1. Der Quellcode ist unter https://github.com/MalongTech/research-ms-loss verfügbar.