Аннотация. 

Обучение с триплетной функцией потерь – один из самых распространенных подходов в метрическом обучении. Оно находит свое применение в задачах сравнения изображений, идентификации, кодировании и др. Однако триплетная функция потерь обладает рядом недостатков, которые могут негативно сказываться на качестве, например таких, как склонность сети к застреванию в локальных минимумах и формирование тривиальных триплетов. В данной работе предлагается геометрический подход по улучшению качества, основанный на введении дополнительного слагаемого в функцию потерь. Изменение траектории достигается за счет перенаправления решенных и нерешенных изображений к поверхностям двух концентрических гипер-сфер разного радиуса. Применение данного метода способствует уменьшению расстояний между изображениями одного класса. Предложенный метод не препятствует использованию других модификаций функции потерь. Экспериментально показано, что предложенный подход позволяет уменьшить часть нерешенных триплетов и далеких пар изображений одного класса.

Ключевые слова: 

искусственные нейронные сети, метрическое обучение.

Стр. 50-58.

DOI: 10.14357/20790279230205

 

 

Литература

1. Alnissany Alaa and Yazan Dayoub. Modified Centroid Triplet Loss for Person Re-Identification. Research Square Platform LLC, 31 Mar. 2022,

http://dx.doi.org/10.21203/rs.3.rs-1501673/v1. Accessed 21 Feb. 2023.

2. Bucher Maxime, et al. “Improving Semantic Embedding Consistency by Metric Learning for Zero-Shot Classiffication.” Computer Vision – ECCV 2016, Springer International Publishing, 2016, pp. 730–46, http://dx.doi.org/10.1007/978-3-319-46454-1_44. Accessed 9 Mar. 2023.

3. Chen Weihua et al. “Beyond Triplet Loss: A Deep Quadruplet Network for Person Re-Identification.” 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), IEEE, 2017, http://dx.doi.

org/10.1109/cvpr.2017.145. Accessed 22 Feb. 2023.

4. Cui Yin et al. “Fine-Grained Categorization and Dataset Bootstrapping Using Deep Metric Learning with Humans in the Loop.” 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), IEEE. 2016. http://dx.doi.org/10.1109/

cvpr.2016.130. Accessed 27 Feb. 2023.

5. Gayer Alexander et al. “Effective Real-Time Augmentation of Training Dataset for the Neural

Networks Learning.” Eleventh International Conference on Machine Vision (ICMV 2018), SPIE, 2019, http://dx.doi.org/10.1117/12.2522969.

Accessed 21 Feb. 2023.

6. Hadsell R. et al. “Dimensionality Reduction by Learning an Invariant Mapping.” 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition – Volume 2 (CVPR’06), IEEE, http://dx.doi.org/10.1109/cvpr.2006.100.

Accessed 24 Mar. 2023.

7. Min Zhu and Zhang Chongyang. “Few-Shot Object Detection via Metric Learning.” Fourteenth International Conference on Machine Vision (ICMV 2021), SPIE, 2022, http://dx.doi.org/10.1117/12.2622909. Accessed 24 Mar. 2023.

8. Mokin Arseniy et al. “Auto-Clustering Pairs Generation Method for Siamese Neural Networks Training.” Fourteenth International Conference on Machine Vision (ICMV 2021), SPIE, 2022, http://dx.doi.

org/10.1117/12.2623139. Accessed 24 Mar. 2023.

9. Schroff Florian et al. “FaceNet: A Unified Embedding for Face Recognition and Clustering.” 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), IEEE, 2015, http://

dx.doi.org/10.1109/cvpr.2015.7298682. Accessed 21 Feb. 2023.

10. Sheshkus A. et al. “Tiny CNN for Feature Point Description for Document Analysis: Approach and Dataset.” Computer Optics, vol. 46, no. 3,

June 2022, https://doi.org/10.18287/2412-6179-co-1016.

11. Uzhinskiy A.V. et al. “One-Shot Learning with Triplet Loss for Vegetation Classification Tasks.” Computer Optics, vol. 45, no. 4, Aug. 2021,

https://doi.org/10.18287/2412-6179-co-856.

12. Venkataramanan Aishwarya et al. “Tackling Inter-Class Similarity and Intra-Class Variance for Microscopic Image-Based Classification.” Lecture Notes in Computer Science, Springer International Publishing, 2021, pp. 93–103,

http://dx.doi.org/10.1007/978-3-030-87156-7_8. Accessed 21 Feb. 2023.

13. Wang Jiang et al. “Learning Fine-Grained Image Similarity with Deep Ranking.” 2014 IEEE Conference on Computer Vision and Pattern Recognition, IEEE, 2014, http://dx.doi.org/10.1109/cvpr.2014.180. Accessed 27 Feb. 2023.

14. Wieczorek Mikołaj et al. “On the Unreasonable Effectiveness of Centroids in Image Retrieval.” Neural Information Processing, Springer International Publishing, 2021, pp. 212–23, http://dx.doi.

org/10.1007/978-3-030-92273-3_18. Accessed 22 Feb. 2023.

15. Wu Chao-Yuan et al. “Sampling Matters in Deep Embedding Learning.” 2017 IEEE International Conference on Computer Vision (ICCV), IEEE, 2017, http://dx.doi.org/10.1109/iccv.2017.309. Accessed 22 Feb. 2023.

16. Славин О.А. Применение дескрипторов объектов для привязки структурных элементов зашумленных образов деловых документов // ИТиВС. 2022. № 4. С. 13-24. DOI: 10.14357/20718632220402.

17. Hermans Alexander, Lucas Beyer and Bastian Leibe. “In defense of the triplet loss for person reidentification.” arXiv preprint arXiv:1703.07737 (2017).

18. Ha Mai Lan and Volker Blanz. “Deep ranking with adaptive margin triplet loss.” arXiv preprint arXiv:2107.06187 (2021).

19. Xu Albert et al. “Mathematical Justification of Hard Negative Mining via Isometric Approximation Theorem.” arXiv preprint arXiv:2210.11173. 2022.