基于样本旋转的生成困难样本的深度度量学习方法OA北大核心CSTPCD
Sample Rotation-based Hard Sample-Generating Methods for Deep Metric Learning
现有深度度量学习方法通过构造困难样本生成方法指导模型高效训练,基于代数计算的困难样本生成方法具有简单、高效的优势.然而这类方法缺乏对数据整体分布的考虑,导致生成的样本随机性较强、模型收敛缓慢.针对该问题,将三元组中的正样本以其所属的类中心为轴,旋转至锚点与该类中心连线的反向延长线上,提出一种基于样本旋转的困难样本生成方法,给出了一种新的损失函数,构建了一种基于样本旋转的生成困难样本的深度度量学习模型(RHS-DML),有效提升了模型的训练效率.在…查看全部>>
Existing deep metric learning methods guide efficient training of the model by constructing hard sample generation meth-ods.The hard sample generation methods based on algebraic computation have the advantages of simplicity and efficiency.Howev-er,such methods lack consideration of the overall data distribution,resulting in strong randomness of the generated samples and slow convergence of the model.To address this problem,we propose a hard sample generation…查看全部>>
张鸽;闫京;魏巍;梁吉业
山西大学 计算机与信息技术学院,山西 太原 030006||山西大学 计算智能与中文信息处理教育部重点实验室,山西 太原 030006山西大学 计算机与信息技术学院,山西 太原 030006||山西大学 计算智能与中文信息处理教育部重点实验室,山西 太原 030006山西大学 计算机与信息技术学院,山西 太原 030006||山西大学 计算智能与中文信息处理教育部重点实验室,山西 太原 030006山西大学 计算机与信息技术学院,山西 太原 030006||山西大学 计算智能与中文信息处理教育部重点实验室,山西 太原 030006
计算机与自动化
深度度量学习困难样本生成多类N元组损失代数计算
deep metric learninghard sample generationmulti-class n-pair lossalgebraic calculations
《山西大学学报（自然科学版）》 2024 (5)
973-981,9
国家自然科学基金(61976184)
评论