计算机应用

作者：李子龙, 周勇, 鲍蓉, 王洪栋

单位：1.徐州工程学院 信息工程学院，江苏 徐州 221018；2.中国矿业大学 计算机科学与技术学院，江苏 徐州 221116

关键词：深度距离度量,深度学习,三元组损失,卷积神经网络,Boosting

基金：国家自然科学基金资助项目(61806206);江苏省建设系统科技项目(2018ZD077);徐州工程学院校级科研项目(XKY2019107);江苏省高校自然科学研究项目(20KJB170023)

针对基于三元组损失的单一深度距离度量在多样化数据集环境下适应性差，且容易造成过拟合的问题，提出了一种优化三元组损失的深度距离度量学习方法。首先，对经过神经网络映射的三元组训练样本的相对距离进行阈值化处理，并使用线性分段函数作为相对距离的评价函数；然后，将评价函数作为一个弱分类器加入到Boosting算法中生成一个强分类器；最后，采用交替优化的方法来学习弱分类器和神经网络的参数。通过在图像检索任务中对各种深度距离度量学习方法进行评估，可以看到所提方法在CUB-200-2011、Cars-196和SOP数据集上的Recall@1值比之前最好的成绩分别提高了4.2、3.2和0.6。实验结果表明，所提方法的性能优于对比方法，同时在一定程度上避免了过拟合。

来源：2021年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2021年第12期