In this paper, we focus on triplet-based deep binary embedding networks for image retrieval task. The triplet loss has been shown to be most effective for the ranking problem. However, most of the previous works treat the triplets equally or select the hard triplets based on the loss. Such strategies do not consider the order relations, which is important for retrieval task. To this end, we propose an order-aware reweighting method to effectively train the triplet-based deep networks, which up-weights the important triplets and down-weights the uninformative triplets. First, we present the order-aware weighting factors to indicate the importance of the triplets, which depend on the rank order of binary codes. Then, we reshape the triplet loss to the squared triplet loss such that the loss function will put more weights on the important triplets. Extensive evaluations on four benchmark datasets show that the proposed method achieves significant performance compared with the state-of-the-art baselines.


翻译:在本文中,我们侧重于基于三重的深层双向嵌入网络,用于图像检索任务。 三重损失已证明对排名问题最为有效。 但是,大多数先前的工程对三重损失一视同仁或根据损失选择硬三重。 这些战略并不考虑对检索任务很重要的顺序关系。 为此,我们提出一个有秩序的重新加权方法,以有效培训基于三重深层网络,这些深重网络将重要三重和低重三重三重数据加起来。 首先,我们提出有秩序的加权因素,以显示三重因素的重要性,这些三重因素取决于二重代码的等级顺序。 然后,我们将三重损失调整成三重损失的平方三重损失,使损失功能对重要的三重数据进行更多的加权。 对四个基准数据集进行的广泛评价表明,与最先进的基线相比,拟议方法取得了显著的绩效。

7
下载
关闭预览

相关内容

【Google】监督对比学习,Supervised Contrastive Learning
专知会员服务
73+阅读 · 2020年4月24日
神经网络的拓扑结构,TOPOLOGY OF DEEP NEURAL NETWORKS
专知会员服务
31+阅读 · 2020年4月15日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
深度卷积神经网络中的降采样
极市平台
12+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
VIP会员
Top
微信扫码咨询专知VIP会员