摘要

优化基于排名的指标（如平均精度（Average Precision, AP））一直是一个极具挑战性的任务，因为这些指标是非可微的，因此无法直接使用梯度下降方法进行优化。为此，我们引入了一种新的目标函数，即优化AP的平滑近似版本——Smooth-AP。Smooth-AP 是一个即插即用的目标函数，允许深度网络端到端训练，并且实现简单优雅。我们还分析了为什么直接优化AP这一基于排名的指标比其他深度度量学习损失函数更具优势。我们将Smooth-AP应用于标准检索基准数据集：斯坦福在线产品（Stanford Online Products）和VehicleID，并在更大规模的数据集上进行了评估：用于细粒度类别检索的INaturalist以及用于人脸识别的VGGFace2和IJB-C。在所有情况下，我们的性能均超过了现有最佳方法，特别是在大规模数据集上表现尤为显著，从而证明了Smooth-AP在实际应用场景中的有效性和可扩展性。