Core Concepts
既存のネットワークを改善するための新しいフレームワークの効果的な提案と評価
Abstract
コンピュータビジョンにおける高速で識別力のあるパッチディスクリプタを学習することは難しい課題であり、本論文ではこの問題に取り組んでいます。従来の手法では、トリプレット損失を最小化することで異なるディスクリプタ学習ネットワークを訓練することが一般的でした。しかし、これらの複雑なネットワークは局所最小値に収束しやすく、期待される性能を発揮しないことがあります。そこで、本論文では教師-生徒正則化フレームワーク「DesDis」を提案しました。このフレームワークでは、事前にトレーニングされた教師モデルから知識を得た生徒モデルが設計されています。実験結果は、提案されたDesDisフレームワークから派生した生徒モデルが教師よりも優れた性能を発揮することを示しています。
Stats
トリプレット損失:期待される性能を発揮しない可能性がある(Faghri et al., 2018, Wang et al., 2017, Yu et al., 2018)
DesDis-HyNet:他の比較手法よりも優れたパフォーマンス(Tian et al., 2020, 2019)
Quotes
"Many existing descriptor networks could be embedded as the teacher model under the proposed DesDis framework."
"The derived student models outperform their teachers respectively."
"Our light-weight models achieve significantly better performances with faster speeds."