Apprentissage métrique profond prenant en compte la dureté

Ce document présente un cadre de métrique profonde sensible à la difficulté (Hardness-Aware Deep Metric Learning, HDML). La plupart des méthodes précédentes en métrique profonde utilisent la stratégie d'extraction des exemples négatifs difficiles pour atténuer le manque d'échantillons informatifs lors de l'entraînement. Cependant, cette stratégie d'extraction ne tire profit que d'un sous-ensemble des données d'entraînement, ce qui peut ne pas suffire à caractériser de manière exhaustive la géométrie globale de l'espace d'embedding. Pour résoudre ce problème, nous effectuons une interpolation linéaire sur les embeddings afin de manipuler leur niveau de difficulté de manière adaptative et de générer des échantillons synthétiques conservant leurs labels pour un entraînement recyclé. Ainsi, les informations contenues dans tous les échantillons peuvent être pleinement exploitées et la métrique est constamment confrontée à une difficulté appropriée. Notre méthode obtient des performances très compétitives sur les jeux de données largement utilisés CUB-200-2011, Cars196 et Stanford Online Products.