[IJCAI2018筆記]Adversarial Metric Learning
05-17
[IJCAI2018筆記]Adversarial Metric Learning
來自專欄 CVPR 2018 論文筆記
經指正，這篇文章是今年IJCAI的文章（此文需要度量學習的背景知識）
馬氏距離的目的之一便是要學習中間的M矩陣，使得同類距離儘可能小，不同類儘可能大。
這篇文章則是加入了一個confusion階段，也就是題目中adversarial的由來，另一個階段則是傳統的metric learning 學習的階段
簡言之，confusion階段就是生成這樣的pair：與已有的pair儘可能接近，但與真實的pair的label相反。
這樣一來，就儘可能地發掘和感受到我們所需要的邊緣，從而使我們的模型更加的discriminative。
文中還給出兩個階段的表達，將兩個階段的objective融合，融合過程則是直接引用了另一篇文章的方法。
思路就到這裡了，具體的數學化簡和證明請參見論文，本想做更多解釋，但做一番筆記也不過是公式和推導過程一步步貼過來，沒意義。
推薦閱讀：
※[CVPR2018筆記]Discriminative Learning of Latent Features for Zero-Shot Recognition
※Action Reconition CVPR 2017
※首發——Large Margin Object Tracking with Circulant Feature Maps
※簡單自編碼器實現zero-shot learning (CVPR 2017)--論文筆記
※[CVPR2018筆記]Detail-Preserving Pooling in Deep Networks
TAG:CVPR |