摘要
半正定约束度量学习(positive-semidefinite constrained metric learning,PCML)作为一种结合了支持向量机(support vector machine,SVM)的典型度量学习方法,在图像识别和行人重识别领域展现了优越的性能,然而在每次学习度量矩阵的过程中,该方法只简单地考虑不同类别样本之间的最大间隔,忽略了同一类别间的样本特征空间也在发生变化.基于此,提出了一种基于数据内在结构特征的度量学习方法.首先,与PCML相比,提出方法不仅考虑了不同类别样本之间的间隔,而且考虑了相同类别样本间的类内散度矩阵,使学习到的度量矩阵有更强的鉴别能力;其次,进一步将l1-norm损失函数转换为l2-norm损失函数,可以进一步提高模型的泛化性能.在多个数据集上的实验结果表明,提出方法相比于其他度量学习方法在多数情况下取得了更优异的性能.
国家科技期刊平台
NSTL
维普
万方数据