Apprentissage de Métriques Profondes avec BIER : Amélioration Robuste des Plongements Indépendants

L'apprentissage de fonctions de similarité entre des paires d'images à l'aide de réseaux neuronaux profonds entraîne des activations hautement corrélées des plongements (embeddings). Dans ce travail, nous montrons comment améliorer la robustesse de ces plongements en exploitant l'indépendance au sein des ensembles. À cette fin, nous divisons la dernière couche de plongement d'un réseau profond en un ensemble de plongements et formulons l'entraînement de cet ensemble comme un problème de boosting de gradient en ligne. Chaque apprenant reçoit un échantillon d'entraînement repondéré à partir des apprenants précédents. De plus, nous proposons deux fonctions de perte qui augmentent la diversité dans notre ensemble. Ces fonctions de perte peuvent être appliquées soit pour l'initialisation des poids, soit pendant l'entraînement. Ensemble, nos contributions permettent d'utiliser plus efficacement les grandes tailles de plongement en réduisant considérablement la corrélation du plongement et, par conséquent, d'améliorer la précision de récupération du plongement. Notre méthode est compatible avec toute fonction de perte différentiable et ne introduit aucun paramètre supplémentaire lors des tests. Nous évaluons notre méthode d'apprentissage métrique sur des tâches de recherche d'images et montrons qu'elle surpasse les méthodes les plus avancées actuellement disponibles sur les jeux de données CUB 200-2011, Cars-196, Stanford Online Products, In-Shop Clothes Retrieval et VehicleID.