Die Gruppenverlustfunktion für tiefes Metrik-Lernen

Deep Metric Learning hat beeindruckende Ergebnisse bei Aufgaben wie Clustering und Bildretrieval erzielt, indem es neuronale Netze nutzt, um hochdiskriminative Merkmalsdarstellungen (feature embeddings) zu generieren, die dazu dienen, Proben in verschiedene Klassen zu gruppieren. Zahlreiche Forschungsarbeiten haben sich der Entwicklung intelligenter Verlustfunktionen oder Datenmining-Strategien für das Training solcher Netzwerke gewidmet. Die meisten Methoden berücksichtigen lediglich Paare oder Tripel von Proben innerhalb eines Mini-Batches zur Berechnung der Verlustfunktion, die üblicherweise auf der Distanz zwischen den Merkmalsdarstellungen basiert. Wir stellen Group Loss vor, eine Verlustfunktion, die auf einer differenzierbaren Label-Propagation-Methode beruht und die Ähnlichkeit der Merkmalsdarstellungen innerhalb einer Gruppe fördert, gleichzeitig aber auch niedrigdichte Regionen zwischen Datenpunkten verschiedener Gruppen anstrebt. Aufgrund der Glättungsannahme, dass „ähnliche Objekte zur selben Gruppe gehören sollten“, trainiert die vorgeschlagene Verlustfunktion das neuronale Netzwerk für eine Klassifikationsaufgabe und stellt eine konsistente Bezeichnung der Proben innerhalb einer Klasse sicher. Wir zeigen state-of-the-art-Ergebnisse bei Clustering und Bildretrieval auf mehreren Datensätzen und demonstrieren das Potenzial unserer Methode, wenn sie mit anderen Techniken wie Ensembles kombiniert wird.