使用一组上下文敏感模型的图像相似度
原文中文，约200字，阅读约需1分钟。发表于：。基于标注数据的 A:R vs B:R 方法构建了图像相似度模型，并采用集成模型处理稀疏采样和基于上下文数据的偏差，测试结果表明，该集成模型优于单个上下文敏感模型、混合图像数据和现有相似度模型，证明基于上下文标注和模型训练在适当的集成方法下可以有效克服稀疏采样的限制。
本文研究了深度神经网络中图像对的相似性函数的学习方法，通过利用嵌入集合中的独立性来提高嵌入的鲁棒性，并借助在线梯度提升问题来划分深度网络的最后嵌入层。通过提出两个损失函数来增加集合的多样性，可用于权重初始化过程或训练期间，对图像检索任务的评估表明，我们的度量学习方法在多个数据集上均取得了比业界领先方法更好的表现。
