深度远距离学习真的是 "大跃进 "了吗？一篇论文重新评价了最近的研究!
三个要点：
✔️ 深度距离学习在过去四年中宣称准确率显著提高，但由于实验设置的错误，这一点值得怀疑。
✔️三个问题：对比方法不公平，使用测试数据的反馈进行训练，以及衡量准确率的指标薄弱。
✔️提出一种评价远程学习算法的新方法。
将新的评价方法与传统算法进行比较，可以看出，近年来的 "大跃进 "其实只是一个不大的进步。
A Metric Learning Reality Check
written by Kevin Musgrave, Serge Belongie, Ser-Nam Lim
(Submitted on 18 Mar 2020)
Comments: Published by arXiv
Subjects: Computer Vision and Pattern Recognition (cs.CV)
介绍：
在ECCV2020上，Facebook的研究人员指出，过去4年所做的远程学习并没有从基本的对立/三联输发展起来。原因有很多，评价太粗放。此外，我们还提出了一些研究，可能在测试中设置了超参数。
这个研究将是2020年8月24-27日召开的ECCV的内容，我们在4月份的时候就已经介绍过了，这是ECCV上的一个热门话题，希望大家在重新编写下再追问一下。尤其是从不公平的业绩比较部分开始，这一点尤为重要。
什么是远程教育？
度量学习是训练函数的通用术语，训练函数对数据进行嵌入，使相似的数据相互靠近，不相似的数据相互远离，并映射到一个嵌入空间。
这样做的原因是，虽然区分A和C或B和C很容易，但比如在对下面这样的数据进行分类时，似乎很难区分A和B。
这是因为A、B两类数据所属的距离很接近。如果我们能将这些数据用某种函数嵌入到一个独立的空间中，使同一类的数据相互靠近，不同类的数据相距较远，如下图所示，应该更容易区分A和B。
深度度量学习指的是所有使用深度神经网络（DNNs）作为嵌入输入数据的函数的方法。深度距离学习的目的是通过使用在各种任务（包括图像识别任务）中具有较高泛化性能的DNNs作为嵌入函数，以达到比传统方法更高的精度。
要阅读更多。
你需要在AI-SCHOLAR注册。
或
与本文相关的类别
