グループロス++:深層計量学習のためのグループ損失へのより深い見方【JST・京大機械翻訳】

Elezi Ismail; Seidenschwarz Jenny; Wagner Laurin; Vascon Sebastiano; Torcinovich Alessandro; Pelillo Marcello; Leal-Taixe Laura

プレプリント

J-GLOBAL ID：202202210379789012 整理番号：22P0325006

グループロス++:深層計量学習のためのグループ損失へのより深い見方【JST・京大機械翻訳】

The Group Loss++: A deeper look into group loss for deep metric learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2022年04月04日プレプリントサーバーでの情報更新日： 2022年04月04日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

深層メトリック学習は,ニューラルネットワークをクラスタ化や画像検索のようなタスクにおいて,高度に識別可能な特徴埋込みを得るために,異なるクラスにグループサンプルに使用することができるという印象的な結果をもたらした。多くの研究は,そのようなネットワークを訓練するためのスマート損失関数またはデータマイニング戦略の設計に専念した。ほとんどの方法は,埋込み間の距離に基づく損失関数を計算するために,ミニバッチ内の試料の対または三重項のみを考慮する。グループ損失,すなわち,グループの全サンプルにわたって埋込み類似性を強制する微分可能なラベル伝搬法に基づいた損失関数を提案し,同時に,異なるグループに属するデータポイント間の低密度領域も促進した。「類似オブジェクトは同じグループに属する」という平滑仮定により,提案した損失は分類タスクのためのニューラルネットワークを訓練し,クラス内のサンプル間の一貫したラベリングを強制する。著者らは,著者らのアルゴリズムに対して調整した推論戦略のセットを設計して,著者らのモデルの結果をさらに改善するグループ損失++と名づけた。4つの検索データセット上でのクラスタリングと画像検索に関する最新の結果を示し,検索と再同定のための統一フレームワークを提供する2人の再識別データセットに関する競合結果を示した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

パターン認識 , 人工知能 , 図形・画像処理一般

, , , , ,

前のページに戻る