Core Concepts
高次元データ多様体を分割線形近似して、連続値の類似性を推定する新しいUDML手法が提案された。
Abstract
導入:
UDMLは教師なしで意味的表現空間を学習することに焦点を当てる。
方法:
データ多様体を分割線形近似して、点間の類似性を推定する。
プロキシを使用してモデル化し、パフォーマンス向上が示された。
結果:
標準画像検索ベンチマークで他のUDML手法よりも優れたパフォーマンスを達成した。
関連作業:
メトリックラーニングや非教師付きメトリックラーニングについて述べられている。
Stats
現在の最先端技術よりも良好な相関性があることが実証されました。
CUB200、Cars196、SOPデータセットで2.9%、1.5%、1.3%のR@1で他のUDML手法を上回りました。
Quotes
"我々はプロキシを使用してデータ多様体の分割線形近似モデル化し、その効用を初めて示しました。"
"我々は3つの標準画像検索ベンチマークで現在の最先端技術よりも優れたパフォーマンスを達成しました。"