摘要

深度度量学习（Deep Metric Learning, DML）旨在学习一个嵌入函数，将语义上相似的数据映射到嵌入空间中的相近位置，在图像检索、人脸识别等众多应用中发挥着关键作用。然而，DML方法的性能往往高度依赖于采样策略，以从嵌入空间中选取有效的训练数据。在实际应用中，嵌入空间中的表示通常由深度模型生成，而由于训练样本的缺失，嵌入空间中常存在“空白区域”，从而引发所谓的“缺失嵌入”（missing embedding）问题。这一问题会降低采样质量，进而导致DML性能退化。针对上述挑战，本文研究如何缓解“缺失嵌入”问题，以提升采样质量并实现更高效的深度度量学习。为此，我们提出一种密集锚点采样（Densely-Anchored Sampling, DAS）机制，将具有对应数据点的嵌入视为“锚点”（anchor），并充分利用锚点周围的嵌入空间，生成大量无对应数据点的密集嵌入。具体而言，我们分别提出两种策略：针对单个锚点，采用判别性特征缩放（Discriminative Feature Scaling, DFS）来增强其邻域嵌入的区分能力；针对多个锚点，则引入记忆化变换偏移（Memorized Transformation Shifting, MTS）以协同生成更具代表性的嵌入。通过融合含有数据点与不含数据点的嵌入，DAS能够为采样过程提供更丰富的嵌入样本，从而显著提升DML的训练效率与性能。该方法可无缝集成至现有的DML框架中，无需额外复杂结构或超参数调优，即可实现性能提升。在三个基准数据集上的大量实验结果表明，所提方法在多个主流DML模型上均展现出显著优越性。