HyperAIHyperAI
il y a 2 mois

Plongement Profondément en Cascade avec Conscience du Matériel

Yuhui Yuan; Kuiyuan Yang; Chao Zhang
Plongement Profondément en Cascade avec Conscience du Matériel
Résumé

Profitant des avancées des réseaux de neurones profonds, l'apprentissage métrique profond a également obtenu des résultats prometteurs dans diverses tâches en utilisant des réseaux de triplets ou des réseaux jumeaux (Siamese network). Bien que l'objectif fondamental de rapprocher les images de la même catégorie plus que celles de catégories différentes soit intuitif, il est difficile à optimiser directement en raison de la taille quadratique ou cubique des échantillons. Pour résoudre ce problème, l'extraction d'exemples difficiles, qui se concentre uniquement sur un sous-ensemble d'échantillons considérés comme difficiles, est largement utilisée. Cependant, le concept de difficulté est relatif à un modèle : les modèles complexes considèrent la plupart des échantillons comme faciles et inversement pour les modèles simples, ce qui n'est pas bénéfique pour l'entraînement. Les échantillons présentent également différents niveaux de difficulté ; il est donc difficile de définir un modèle avec une complexité juste et d'extraire adéquatement les exemples difficiles. Cela nous motive à assembler un ensemble de modèles avec des complexités variées selon une approche en cascade et à extraire les exemples difficiles de manière adaptative : un échantillon est jugé par une série de modèles dont la complexité augmente progressivement, et ne met à jour que ceux qui considèrent l'échantillon comme un cas difficile. Nous évaluons notre méthode sur les jeux de données CARS196, CUB-200-2011, Stanford Online Products, VehicleID et DeepFashion. Notre méthode surpassent largement les méthodes de pointe actuelles.Note: "Siamese network" est généralement traduit par "réseau jumeau" en français.