【CVPR2020-亚马逊】后向兼容表示学习,BackwardCompatible RepresentationLearning

2020 年 3 月 27 日 专知

我们提出了一种学习视觉特征的方法,即使这些特征具有不同的维数,并且是通过不同的神经网络结构和损失函数来学习的,也能与之前的计算结果相兼容。兼容意味着,如果这些特性用于比较图像,那么“新”特性可以直接与“旧”特性进行比较,因此它们可以互换使用。这使得视觉搜索系统在更新嵌入模型时,可以绕过计算所有以前看到的图像的新特性,这个过程称为回填。向后兼容性对于快速部署新的嵌入模型至关重要,这些模型利用了不断增长的大规模训练数据集和深度学习体系结构和训练方法的改进。我们提出一个框架来训练嵌入模型,称为向后兼容训练(BCT),作为向后兼容表示学习的第一步。在人脸识别的嵌入学习实验中,使用BCT训练的模型在不牺牲精度的前提下,成功实现了向后兼容,实现了可视化嵌入的无填充模型更新。

https://www.zhuanzhi.ai/paper/66fa3dfd933112fcba51e122668028a3


专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“BCRL” 就可以获取【CVPR2020-亚马逊】后向兼容表示学习,BackwardCompatible RepresentationLearning》专知下载链接

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资源
登录查看更多
9

相关内容

【CVPR2020-北京大学】自适应间隔损失的提升小样本学习
专知会员服务
83+阅读 · 2020年6月9日
专知会员服务
53+阅读 · 2019年12月22日
TensorFlow 2.0如何在Colab中使用TensorBoard
专知
17+阅读 · 2019年3月15日
Arxiv
5+阅读 · 2020年3月26日
Arxiv
7+阅读 · 2020年3月1日
Continual Unsupervised Representation Learning
Arxiv
7+阅读 · 2019年10月31日
Multi-task Deep Reinforcement Learning with PopArt
Arxiv
4+阅读 · 2018年9月12日
VIP会员
Top
微信扫码咨询专知VIP会员