摘要
我们研究了距离度量学习（Distance Metric Learning, DML）问题，其目标是学习图像之间的有效相似性度量。本文重新审视了ProxyNCA方法，并引入多项改进。我们发现，低温度缩放（low temperature scaling）是影响性能的关键组件，并阐明了其有效的原因。此外，我们还发现，在大多数情况下，全局最大池化（Global Max Pooling）的性能优于全局平均池化（Global Average Pooling）。同时，我们提出的快速移动代理（fast moving proxies）机制有效缓解了代理向量梯度过小的问题，且该组件与低温度缩放和全局最大池化具有良好的协同效应。基于上述改进，我们提出的增强模型——ProxyNCA++，在四个不同的零样本图像检索数据集上，Recall@1的平均性能相比原始ProxyNCA算法提升了22.9个百分点。此外，我们在CUB200、Cars196、Sop和InShop数据集上均取得了当前最优（state-of-the-art）的性能，对应的Recall@1得分分别为72.2、90.1、81.4和90.9。
代码仓库
euwern/proxynca_pp
pytorch
GitHub 中提及
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| image-retrieval-on-cars196 | ProxyNCA++ | R@1: 90.1 |
| image-retrieval-on-cub-200-2011 | ProxyNCA++ | R@1: 72.2 |
| image-retrieval-on-in-shop | ProxyNCA++ | R@1: 90.9 |
| image-retrieval-on-sop | ProxyNCA++ | R@1: 81.4 |
| metric-learning-on-cars196 | ResNet-50 + ProxyNCA++ | R@1: 86.5 |
| metric-learning-on-cub-200-2011 | ResNet-50 + ProxyNCA++ | R@1: 69.0 |
| metric-learning-on-in-shop-1 | ResNet-50 + ProxyNCA++ | R@1: 90.9 |
| metric-learning-on-stanford-online-products-1 | ResNet-50 + ProxyNCA++ | R@1: 80.7 |