Deep metric learning with distance sensitive entangled triplet losses

Metrik öğrenmenin amacı veri kümesindeki örnekler arasındaki anlamsal farkı ölçen bir mesafe tanımlamaktır. En son teknoloji yaklaşımlar, girdileri öznitelik uzayına eşleyen model olarak derin sinir ağlarını kullanır. Literatürde, öznitelik uzayındaki örnekleri ayırt etmek için bu benzerlik ölçütlerine dayalı olarak bir dizi kayıp fonksiyonu tanımlanmıştır. Bu çalışmada, gradyan problemini belirlemek için standart üçlü kayıp fonksiyonunu analiz ettik. Daha açık ifade etmek gerekirse, standart üçlü kaybı fonksiyonunun gradyanlarının, üçlüdeki örnekleri doğru büyüklüklerle doğru yönlere itmediğini gözlemledik. Daha sonra, serbest hareket edebilen bir yüklü cismin kuvvetler nedeniyle haraket etmesi ile kayıp fonksiyonunun kısmi gradyanları nedeniyle eniyilenmesi arasındaki benzerliği gösterdik. Bu durumdan yola çıkarak, dört orijinal maliyet fonksiyonu önerdik. Bu dört kayıp fonksiyonu, diğer üçlü kayıp fonksiyonlarının kusurlarını kademeli olarak çözmektedir. Bu kayıpların standart üçlü kayıp fonksiyonuna göre performans artışı, özellikle METU maliyet fonksiyonu için, kendi tasarladığımız adil deneylerin sonuçlarıyla gösterilmiştir. Ayrıca, yaygın olarak kullanılan bir ince-detaylı veri kümesi üzerinde gerçekleştirilen bu deneylerin sonuçlarını da gösterdik. Bu veri kümesi, CUB-200-2011dir. Ek olarak, bu çatı altında yapılan deneylerde önerilen kayıpların aldığı sonuçlar, derin metrik öğrenme konusundaki aynı kategoride yer alan son teknoloji yöntemlerin performans skor değerleriyle karşılatırılabilecek seviyededir.