Learning Generalized Hybrid Proximity Representation for Image Recognition

要約

最近、深層計量学習手法が注目されました。学習された距離表現は、サンプル間の類似関係を把握し、さまざまな教師ありまたは教師なし学習タスクのパフォーマンスをさらに向上させるのに役立つためです。
画像認識のために、幾何空間と確率空間の両方で距離メトリックを学習できる、新しい教師付きメトリック学習方法を提案します。
通常、ユークリッド空間での距離メトリックの学習に焦点を当てた以前のメトリック学習方法とは対照的に、提案された方法は、ハイブリッドアプローチでより良い距離表現を学習できます。
これを達成するために、一般化されたハイブリッド メトリック ロス (GHM-Loss) を提案して、幾何学的近接性と確率的近接性のトレードオフを制御することにより、画像データから一般的なハイブリッド近接性特徴を学習しました。
私たちの方法の有効性を評価するために、最初に提案された損失関数の理論的導出と証明を提供し、次に2つの公開データセットで広範な実験を実行して、他の最先端のメトリック学習方法と比較した方法の利点を示します
.

要約(オリジナル)

Recently, deep metric learning techniques received attention, as the learned distance representations are useful to capture the similarity relationship among samples and further improve the performance of various of supervised or unsupervised learning tasks. We propose a novel supervised metric learning method that can learn the distance metrics in both geometric and probabilistic space for image recognition. In contrast to the previous metric learning methods which usually focus on learning the distance metrics in Euclidean space, our proposed method is able to learn better distance representation in a hybrid approach. To achieve this, we proposed a Generalized Hybrid Metric Loss (GHM-Loss) to learn the general hybrid proximity features from the image data by controlling the trade-off between geometric proximity and probabilistic proximity. To evaluate the effectiveness of our method, we first provide theoretical derivations and proofs of the proposed loss function, then we perform extensive experiments on two public datasets to show the advantage of our method compared to other state-of-the-art metric learning methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google