Mixup-based Deep Metric Learning Approaches for Incomplete Supervision

要約

ディープ ラーニング アーキテクチャは、さまざまな分野 (医療、農業、セキュリティなど) で有望な結果を達成しています。
ただし、これらの強力な手法を多くの実際のアプリケーションで使用することは、トレーニング中に大量のラベル付きコレクションが必要になるため、困難になります。
いくつかの研究では、弱学習や半教師あり学習アプローチなど、より少ない費用でより多くを学習できる戦略を提案することで、それを克服するための解決策を追求してきました。
これらのアプローチは通常、暗記と敵対的な例への感度に対処しないため、このペーパーでは、不完全な教師のシナリオ用に Mixup と組み合わせた 3 つの深層メトリック学習アプローチを紹介します。
このようなシナリオでは、メトリック学習の最先端のアプローチがうまく機能しない可能性があることを示します。
さらに、提案されたアプローチは、さまざまなデータセットでそれらのほとんどよりも優れています。

要約(オリジナル)

Deep learning architectures have achieved promising results in different areas (e.g., medicine, agriculture, and security). However, using those powerful techniques in many real applications becomes challenging due to the large labeled collections required during training. Several works have pursued solutions to overcome it by proposing strategies that can learn more for less, e.g., weakly and semi-supervised learning approaches. As these approaches do not usually address memorization and sensitivity to adversarial examples, this paper presents three deep metric learning approaches combined with Mixup for incomplete-supervision scenarios. We show that some state-of-the-art approaches in metric learning might not work well in such scenarios. Moreover, the proposed approaches outperform most of them in different datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google