深度度量学习综述
深度度量学习已成为近年来机器学习最具吸引力的研究领域之一,如何有效的度量物体间的相似性成为问题的关键.现有的依赖成对或成三元组的损失函数,由于正负样本可组合的数量极多,因此一种合理的解决方案是仅对训练有意义的正负样本采样,也称为"难例挖掘".为减轻挖掘有意义样本时的计算复杂度,代理损失设置了数量远远小于样本集合的代理点集.该综述按照时间顺序,总结了深度度量学习领域比较有代表性的算法,并探讨了其与softmax分类的联系,发现两条看似平行的研究思路,实则背后有着一致的思想.进而文章探索了许多致力于提升softmax判别性能的改进算法,并将其引入到度量学习中,从而进一步缩小类内距离、扩大类间距,提高算法的判别性能.
深度度量学习、深度学习、机器学习、对比损失、三元组损失、代理损失、softmax分类、温度值
14
TP181(自动化基础理论)
国家自然科学基金重点项目61333015
2020-03-10(万方平台首次上网日期,不代表论文的发表时间)
共9页
1064-1072