Khái niệm cốt lõi
Durch die Einführung des Threshold-Consistent Margin (TCM) Verlusts kann die Schwellenwert-Konsistenz in Deep Metric Learning-Modellen verbessert werden, ohne dabei die Genauigkeit zu beeinträchtigen.
Tóm tắt
Die Studie untersucht das Problem der Schwellenwert-Inkonsistenz in Deep Metric Learning (DML) für Bildsuche-Anwendungen. Es wird ein neues Bewertungsmaß, der Operating-Point-Inconsistency-Score (OPIS), eingeführt, um die Schwellenwert-Inkonsistenz zwischen verschiedenen Testklassen zu quantifizieren. Die Analyse zeigt, dass hohe Genauigkeit nicht automatisch Schwellenwert-Konsistenz garantiert.
Um dieses Problem anzugehen, wird der Threshold-Consistent Margin (TCM) Verlust vorgestellt, eine einfache aber effektive Regularisierungstechnik. TCM zielt darauf ab, die Repräsentationsstrukturen über verschiedene Klassen hinweg zu vereinheitlichen, indem es gezielt schwierige Beispielpaare bestraft.
Umfangreiche Experimente auf gängigen Bildsuche-Benchmarks zeigen, dass TCM die Schwellenwert-Konsistenz deutlich verbessern kann, während die Genauigkeit erhalten bleibt oder sogar gesteigert wird. Dies vereinfacht den Prozess der manuellen Schwellenwert-Auswahl in praktischen DML-Anwendungen.
Thống kê
Die Verwendung von TCM-Regularisierung führt zu einer Reduzierung des OPIS-Werts um bis zu 77,3% im Vergleich zu Basisverlusten.
Durch Hinzufügen von TCM-Regularisierung wird die Recall@1-Genauigkeit über fast alle Benchmarks und Basisverluste hinweg konsistent verbessert.
Trích dẫn
"Achieving high accuracy alone does not automatically guarantee threshold consistency, necessitating dedicated solutions."
"TCM specifically penalizes hard positive and hard negative sample pairs near the decision boundaries outlined by a pair of cosine margins."
"Extensive experiments demonstrate TCM's effectiveness in enhancing threshold consistency while preserving accuracy, simplifying the threshold selection process in practical DML settings."