Potential Field Based Deep Metric Learning

深度度量学习（DML）涉及训练网络学习一个语义有意义的表示空间。目前的许多方法挖掘n元组的示例并建模每个元组内的交互。我们提出了一种新颖的、组合的DML模型，受到物理学中静电场的启发，它不是以元组的形式表示每个示例（嵌入）的影响，而是通过连续的势场来表示，并叠加这些场以获得它们的组合全局势场。我们使用吸引/排斥势场来表示来自相同/不同类别图像的嵌入之间的交互。与典型的学习方法不同，样本之间的相互影响与它们之间的距离成正比，我们强制减少这种影响，导致一个衰减的场。我们展示了这种衰减有助于提高在具有大量类内变化和标签噪声的真实世界数据集上的性能。像其他基于代理的方法一样，我们还使用代理来简洁地表示示例的子群。我们在三个标准的DML基准测试集- Cars-196、CUB-200-2011和SOP数据集上评估了我们的方法，在这些测试集上，我们的方法优于现有的最先进基线。

论文旨在解决深度度量学习中的问题，即如何训练一个网络来学习语义上有意义的表示空间。同时，论文还验证了一种假设，即使用连续的电势场来表示每个样本（嵌入）的影响力，并将它们叠加在一起以获得它们的全局电势场，可以提高性能。

论文提出了一种新颖的、受物理学中电势场启发的、组合式的深度度量学习模型。与常规方法不同的是，该模型使用吸引/排斥电势场来表示来自相同/不同类别图像的嵌入之间的交互作用，同时强制减少距离越远的样本之间的相互影响，从而导致电势场的衰减。该模型还使用代理来简洁地表示样本的子群。

论文在三个标准的深度度量学习基准测试数据集上进行了评估，并超越了现有的基线方法。实验结果表明，相比于传统方法，这种衰减电势场的方法可以提高具有大量类内变异和标签噪声的真实世界数据集的性能。论文还提供了开源代码。

与此相关的最近研究包括：《Deep Metric Learning via Lifted Structured Feature Embedding》、《Sampling Matters in Deep Embedding Learning》、《In Defense of the Triplet Loss for Person Re-Identification》等。