论文摘要
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。
论文目录
文章来源
类型: 期刊论文
作者: 刘冰,李瑞麟,封举富
关键词: 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,分类,温度值
来源: 智能系统学报 2019年06期
年度: 2019
分类: 信息科技
专业: 自动化技术
单位: 北京大学信息科学技术学院,北京大学机器感知与智能教育部重点实验室
基金: 国家自然科学基金重点项目(61333015)
分类号: TP181
页码: 1064-1072
总页数: 9
文件大小: 1746K
下载量: 897
相关论文文献
标签：深度度量学习论文; 深度学习论文; 机器学习论文; 对比损失论文; 三元组损失论文; 代理损失论文; 分类论文; 温度值论文;