深度Meta度量学习在视觉识别中的应用

link管理

链接快照平台

输入网页链接，自动生成快照
标签化管理网页链接

相关文章推荐

深沉的蘑菇 · NTNU-Resources&Offices· 4 月前 ·

发呆的抽屉 · linux使用make命令安装文件夹 • ...· 5 月前 ·

追风的小虾米 · CAD怎样插入角度符号？_溜溜自学网· 7 月前 ·

活泼的围巾 · 基于 NONMEM、PsN 和 ...· 7 月前 ·

非常酷的课本 · 【文章】10万元左进口摩托车推荐_车家号_汽车之家· 7 月前 ·

1.28MB

2023-10-12

深度Meta度量学习在视觉识别中的应用深度Meta度量学习（D-MML）是一种新的度量学习方法，它通过元方式制定度量学习过程，以学习基于集合的距离，而不是基于样本的距离。这种方法可以解决传统深度度量学习方法中存在的问题，如过度拟合训练数据和泛化能力不强等问题。在视觉识别中，D-MML 方法可以应用于人员重新识别、车辆重新识别和人脸验证等任务。实验结果表明，D-MML 方法优于大多数现有的方法，可以提高视觉识别的准确性。 D-MML 方法的核心思想是从原始训练集中抽取多个子集，并在这些子集上定义任务分布。然后，在每一集中，将一个子集作为新任务进行采样，并将训练数据分为支持集和查询集。通过基于集合的距离优化模型，使查询样本与正元单元匹配。此外，D-MML 方法还引入了硬样本挖掘过程和边缘策略，以鼓励类内的紧凑性和类间的可分性。在实验中，我们证明了 D-MML 方法在一些视觉识别问题上的优越性，包括人员重新识别、车辆重新识别和人脸验证等任务。深度度量学习是度量学习的一种，它通过深度神经网络学习判别非线性嵌入。深度度量学习的目的是学习一个相似样本间距离较近而不相似样本间距离较远的嵌入空间。传统度量学习方法通过线性马氏距离度量学习嵌入空间，但这种方法通常受到样本的非线性相关性的影响。深度度量学习方法可以应用于视觉识别、自然语言处理和推荐系统等领域。例如，在视觉识别中，深度度量学习方法可以学习一个判别非线性嵌入，以匹配来自大型图库集的探针样本。在自然语言处理中，深度度量学习方法可以学习一个文本表示，以捕获文本之间的语义关系。 D-MML 方法是一种有效的度量学习方法，它可以解决传统深度度量学习方法中存在的问题，并提高视觉识别的准确性。在视觉识别中，度量学习是一种重要的技术，它可以学习一个相似样本间距离较近而不相似样本间距离较远的嵌入空间。度量学习的目的是学习一个距离函数来度量一对样本的相似性，它在许多视觉识别问题上取得了巨大的成功，包括人的重新识别、人脸验证和车辆重新识别等任务。在度量学习中，距离度量函数是关键的组件，它定义了样本之间的相似性关系。常见的距离度量函数包括欧几里德距离、马氏距离、余弦距离等。此外，度量学习还可以应用于其他领域，如自然语言处理和推荐系统等。例如，在自然语言处理中，度量学习可以学习一个文本表示，以捕获文本之间的语义关系。在推荐系统中，度量学习可以学习一个用户 preference 模型，以推荐用户可能感兴趣的项目。