La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Adversarial Metric Learning with Naive Similarity Discriminator Apprentissage métrique contradictoire avec discriminateur de similarité naïf

Yi-ze LE, Yong FENG, Da-jiang LIU, Bao-hua QIANG

  • Vues en texte intégral

    0

  • Citer

Résumé:

L’apprentissage métrique vise à générer des vecteurs de caractéristiques de faible dimension préservés par similarité à partir d’images d’entrée. La plupart des méthodes d’apprentissage métrique approfondi supervisé existantes définissent généralement une fonction de perte soigneusement conçue pour imposer une contrainte sur la position relative entre les échantillons dans un espace dimensionnel inférieur projeté. Dans cet article, nous proposons une nouvelle architecture appelée Naive Similarity Discriminator (NSD) pour apprendre la distribution d'échantillons faciles et prédire leur probabilité d'être similaires. Notre objectif consiste à encourager le réseau de générateurs à générer des vecteurs dans des positions appropriées dont la similarité peut être distinguée par notre discriminateur. Des expériences de comparaison adéquates ont été réalisées pour démontrer la capacité de notre modèle proposé sur les tâches de récupération et de regroupement, avec une précision dans un rayon spécifique, des informations mutuelles normalisées et F1 score comme mesure d’évaluation.

Publication
IEICE TRANSACTIONS on Information Vol.E103-D No.6 pp.1406-1413
Date de publication
2020/06/01
Publicisé
2020/03/10
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2019EDP7278
Type de manuscrit
PAPER
Catégories
Traitement d'image et traitement vidéo

Auteurs

Yi-ze LE
  Chongqing University
Yong FENG
  Chongqing University
Da-jiang LIU
  Chongqing University
Bao-hua QIANG
  Guilin University of Electronic Technology

Mots-clés

Table des matières