#84
summarized by : Akihiro Yoshida
Hardness-Aware Deep Metric Learning

どんな論文か?

Metric Learningのhard negative miningを行うと特定のデータしか学習されず偏った特徴空間を学習してしまう問題に対して、ラベル空間上でAnchorとNegativeの線形補間とラベル空間から特徴空間への写像(Generator)の学習により、学習に難しいデータNegativeと同じクラスのデータを生成する手法を提案。
placeholder

新規性

画像とラベルを混ぜることによる既存のData Augmentation手法と異なり、クラスのラベルは保持したまま難しい、学習に効果的な画像の生成手法を提案。ラベル空間上でAnchorとNegativeの線形補間で難しいラベルを生成し、ラベル空間から特徴空間への写像(Generator)の学習によりクラスラベルをNegativeのまま留めることができる。

結果

画像の特徴抽出はGoogLeNetを用いて、3つの大規模データセット(TheCUB-200-2011, The Cars196, The Stanford Online Products)について、クラスタリングと情報検索タスクにおいて前半2つのデータについてSOTAを達成、最後の1つもDeep adversarial metric learning(CVPR2018)とほぼ等しい精度を誇る。

その他(なぜ通ったか?等)

Between-class Learning for Image Classification(CVPR2018)やMix-upのように画像(とラベル)を最初に混ぜるものをよく見るが、ラベルを混ぜてから画像を生成する研究へ移行してきたのですかね。