摘要

度量学习旨在构建一个具有强区分能力的模型，使相似类别的嵌入在选定度量空间中尽可能接近，而不相似类别的嵌入则被有效分离。传统的做法是采用编码器提取特征嵌入，并使用基于距离的损失函数来对齐表示，通常以欧氏距离作为度量标准。近年来，关于学习双曲空间数据嵌入的研究日益兴起，表明双曲几何在自然数据建模中具有潜在优势。受此启发，本文提出一种基于双曲空间的新型度量学习模型。该方法的核心是一个视觉Transformer架构，其输出嵌入被映射至双曲空间，并通过改进的成对交叉熵损失函数直接进行优化。我们在四个数据集上对六种不同模型变体进行了评估，均取得了新的最先进性能。代码已开源，地址为：https://github.com/htdt/hyp_metric。