要約
本論文では、硬度を考慮した深層計量学習（Hardness-Aware Deep Metric Learning: HDML）フレームワークを提案します。従来の深層計量学習手法の多くは、訓練に有用なサンプルが不足する問題を緩和するために、ハードネガティブマイニング戦略を採用しています。しかし、このマイニング戦略は訓練データの一部しか利用しないため、埋め込み空間の全体的な幾何学的特性を十分に表現できない可能性があります。この問題に対処するために、我々は埋め込みに対して線形補間を行い、その硬度レベルを適応的に操作し、ラベルを保った合成データを生成して再利用可能な訓練に使用します。これにより、すべてのサンプルに含まれる情報が完全に活用され、計量が常に適切な難易度で挑戦されるようになります。我々の方法は、広く使用されているCUB-200-2011、Cars196、およびStanford Online Productsデータセットにおいて非常に競争力のある性能を達成しています。