/metric_learning

keras implementation of metric-based methods (center-loss, circle-loss, triplets...)

Primary LanguagePython

blog: [https://amberzzzz.github.io/2020/09/25/metric-learning%E7%B3%BB%E5%88%97/]

  1. siamese & contrastive loss shared cnn ap & an pairs各占一半，生成pairs贼慢 siamese论文是cosine distance，contrastive loss论文是euclidean distance optimize target: disp->0, disn>m 尝试设置m=1和2，对结果影响不大，test center acc=0.981

  2. facenet & triplet-loss a-p-n pairs online triplet selection within mini-batch: keep all aps & hard ans l2 norm, l2 distance, 每个mini-batch要各类别均匀采样 训练不收敛

  3. center-loss embedding version不太好收敛，scale不好调 在softmax分类头上test acc早就1了， 用metric和质心度量类别准确率只有0.99，因为center-loss只关注类内距离 两个超参：remains stable across a large range，论文没有给出最佳／建议value，lambda 0-0.1，alpha 0.01-1

  4. triplet-center-loss 是center-loss的补充，类内基础上再加上类间， 其中类间选用距离最小的簇心距离 改善了center-loss画图不好看的问题，joint supervision主要还是靠softmax头

  5. circle-loss circle loss的输出也是embedding，然后通过计算和每个类别簇心的cosine distance得到类别 optimize target: simp->1+m & simn->-m 是目前实验下来用embedding度量类别里面结果最好的，test center acc=1.0 而且N -> N*N的计算（case to pair）在网络里面，比较高效

  6. vis 用TSNE降维高维的embedding到2d上，不全可分的，没论文好看 直接训2d embedding可能比较好看