摘要

深度度量学习通过利用神经网络获取高度判别性的特征嵌入，在聚类和图像检索等任务中取得了令人瞩目的成果，这些嵌入可用于将样本划分为不同类别。大量研究致力于设计智能损失函数或数据挖掘策略，以优化此类网络的训练过程。然而，大多数现有方法仅基于小批量（mini-batch）内的样本对或三元组来计算损失函数，其通常依赖于嵌入之间的距离度量。本文提出一种名为Group Loss的新损失函数，该方法基于可微分的标签传播机制，能够在组内所有样本之间强制实现嵌入相似性，同时促进不同组间数据点之间的低密度区域分布。在“相似对象应属于同一组”的平滑性假设指导下，所提出的损失函数能够引导神经网络完成分类任务，并在类别内部样本间实现一致的标签分配。实验结果表明，该方法在多个数据集上均取得了当前最优的聚类与图像检索性能。此外，当与集成学习等其他技术结合时，该方法展现出更大的潜力，进一步提升了模型的泛化能力与鲁棒性。