摘要

利用深度神经网络学习图像对之间的相似性函数会产生高度相关的嵌入激活。在本研究中，我们展示了如何通过利用集合内部的独立性来提高此类嵌入的鲁棒性。为此，我们将深度网络的最后一层嵌入层划分为一个嵌入集合，并将训练该集合表述为在线梯度提升问题。每个学习器从前一个学习器接收重新加权的训练样本。此外，我们提出了两种损失函数，以增加我们在集合中的多样性。这些损失函数既可用于权重初始化，也可在训练过程中应用。总体而言，我们的贡献通过显著降低嵌入的相关性，更有效地利用了较大的嵌入尺寸，从而提高了嵌入的检索精度。我们的方法适用于任何可微分的损失函数，并且在测试时不会引入任何额外参数。我们在图像检索任务上评估了我们的度量学习方法，并表明它在CUB 200-2011、Cars-196、Stanford Online Products、In-Shop Clothes Retrieval 和 VehicleID 数据集上的表现优于现有最先进方法。