論文の概要: Multi Proxy Anchor Loss and Effectiveness of Deep Metric Learning
Performance Metrics
- arxiv url: http://arxiv.org/abs/2110.03997v1
- Date: Fri, 8 Oct 2021 09:34:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-11 15:07:13.308575
- Title: Multi Proxy Anchor Loss and Effectiveness of Deep Metric Learning
Performance Metrics
- Title(参考訳): マルチプロキシアンカー損失と深層学習性能指標の有効性
- Authors: Shozo Saeki, Minoru Kawahara, and Hirohisa Aman
- Abstract要約: ディープラーニングは、類似データが近く、異種データが遠くにある埋め込み空間にマッピングするマッピングを学習する。
ほとんどのDMLフレームワークは特徴ベクトルにL2正規化を適用しており、これらの特徴ベクトルはスパースではない。
本稿では,L1正規化損失を特徴ベクトルに適用することを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep metric learning (DML) learns the mapping, which maps into embedding
space in which similar data is near and dissimilar data is far. Most DML
frameworks apply L2 normalization to feature vectors, and these feature vectors
are non-sparse. In this paper, we propose to apply L1 regularization loss to
feature vectors. Proposed regularization emphasizes important features and
restraints unimportant features on L2 normalized features. L1 regularization
can combine with general DML losses because L1 regularization only regularizes
feature vectors. In this paper, we finally propose SparseSoftTriple loss, which
is a combination of SoftTriple loss and L1 regularization. We demonstrate the
effectiveness of the proposed SparseSoftTriple loss on some data sets for image
retrieval tasks and fine-grained images.
- Abstract(参考訳): ディープメトリック学習(dml)はマッピングを学習し、類似したデータが近く、類似したデータが遠くにある埋め込み空間にマップする。
ほとんどのDMLフレームワークは特徴ベクトルにL2正規化を適用しており、これらの特徴ベクトルはスパースではない。
本稿では,L1正規化損失を特徴ベクトルに適用することを提案する。
提案された正規化は重要な特徴を強調し、L2正規化機能では重要でない特徴を抑える。
L1正則化は特徴ベクトルのみを正則化するため、一般的なDML損失と組み合わせることができる。
本稿では,SparseSoftTriple LosとL1正規化を組み合わせたSparseSoftTriple Losを提案する。
本稿では,SparseSoftTripleの損失が画像検索タスクやきめ細かい画像のデータセットに与える影響を実証する。
関連論文リスト
- Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。
CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
論文 参考訳(メタデータ) (2023-06-01T12:53:10Z) - SuSana Distancia is all you need: Enforcing class separability in metric
learning via two novel distance-based loss functions for few-shot image
classification [0.9236074230806579]
本稿では,少数のデータ間のクラス内距離とクラス間距離を調べることで,埋め込みベクトルの重要性を考慮に入れた2つの損失関数を提案する。
以上の結果から,miniImagenNetベンチマークの精度は,他のメトリクスベースの数ショット学習手法に比べて2%向上した。
論文 参考訳(メタデータ) (2023-05-15T23:12:09Z) - Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。
既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。
本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
論文 参考訳(メタデータ) (2023-03-16T17:52:45Z) - Zero-Shot Transfer Learning for Structural Health Monitoring using
Generative Adversarial Networks and Spectral Mapping [4.300434865291411]
本稿では,ソースの損傷のない事例と損傷の事例を区別し,ドメイン適応(DA)技術を利用するトランスファーラーニング(TL)手法を提案する。
高次元の特徴は、信号処理領域の知識を利用して一般化可能なDAアプローチを考案することができる。
広範囲にわたる実験結果から,無損傷事例と損傷事例の相違点に関する知識の伝達に成功したことを示す。
論文 参考訳(メタデータ) (2022-12-07T23:34:11Z) - Learning-based Point Cloud Registration for 6D Object Pose Estimation in
the Real World [55.7340077183072]
我々は、ポイントクラウドデータからオブジェクトの6Dポーズを推定するタスクに取り組む。
この課題に対処する最近の学習ベースのアプローチは、合成データセットにおいて大きな成功を収めている。
これらの障害の原因を分析し、ソースとターゲットポイントの雲の特徴分布の違いに遡る。
論文 参考訳(メタデータ) (2022-03-29T07:55:04Z) - The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。
具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。
KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文 参考訳(メタデータ) (2022-01-29T10:54:57Z) - Residual Moment Loss for Medical Image Segmentation [56.72261489147506]
位置情報は,対象物体の多様体構造を捉えた深層学習モデルに有効であることが証明された。
既存のほとんどの手法は、ネットワークが学習するために、位置情報を暗黙的にエンコードする。
セグメント化対象の位置情報を明示的に埋め込むために,新しい損失関数,すなわち残差モーメント(RM)損失を提案する。
論文 参考訳(メタデータ) (2021-06-27T09:31:49Z) - Exploring Adversarial Robustness of Deep Metric Learning [25.12224002984514]
DMLはディープニューラルネットワークアーキテクチャを使用して、入力のセマンティック埋め込みを学習する。
私たちは、ミニバッチのサンプルに依存しているメトリック損失の主な課題に取り組みます。
3つの一般的なDMLデータセットの実験を使用して、逆転精度の5-76倍の増加を実証する。
論文 参考訳(メタデータ) (2021-02-14T23:18:12Z) - SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural
Networks [81.64530401885476]
本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。
具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。
我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
論文 参考訳(メタデータ) (2020-10-19T09:23:39Z) - Invertible Manifold Learning for Dimension Reduction [44.16432765844299]
次元減少(DR)は,重要情報の保存により高次元データの低次元表現を学習することを目的としている。
Inv-ML(invertible manifold learning)と呼ばれる新しい2段階DR法を提案し、理論的な情報損失のないDRと実用的なDRのギャップを埋める。
実験は、i-ML-Encと呼ばれる、inv-MLのニューラルネットワーク実装による7つのデータセットで実施される。
論文 参考訳(メタデータ) (2020-10-07T14:22:51Z) - Unsupervised Domain Adaptation in the Dissimilarity Space for Person
Re-identification [11.045405206338486]
そこで本稿では,ペア距離の整合性を実現するために,D-MMD(Dissimilarity-based Maximum Mean Discrepancy)の新たな損失を提案する。
3つの挑戦的なベンチマークデータセットによる実験結果から、D-MMDの損失は、ソースとドメインの分布がよりよくなるにつれて減少することが示された。
論文 参考訳(メタデータ) (2020-07-27T22:10:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。