Mining on Manifolds: Metric Learning without Labels

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F18%3A00327169" target="_blank" >RIV/68407700:21230/18:00327169 - isvavai.cz</a>

Výsledek na webu

<a href="https://ieeexplore.ieee.org/document/8578895" target="_blank" >https://ieeexplore.ieee.org/document/8578895</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/CVPR.2018.00797" target="_blank" >10.1109/CVPR.2018.00797</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Mining on Manifolds: Metric Learning without Labels

Popis výsledku v původním jazyce

In this work we present a novel unsupervised framework for hard training example mining. The only input to the method is a collection of images relevant to the target application and a meaningful initial representation, provided e.g. by pre-trained CNN. Positive examples are distant points on a single manifold, while negative examples are nearby points on different manifolds. Both types of examples are revealed by disagreements between Euclidean and manifold similarities. The discovered examples can be used in training with any discriminative loss. The method is applied to unsupervised fine-tuning of pre-trained networks for fine-grained classification and particular object retrieval. Our models are on par or are outperforming prior models that are fully or partially supervised.

Název v anglickém jazyce

Mining on Manifolds: Metric Learning without Labels

Popis výsledku anglicky

In this work we present a novel unsupervised framework for hard training example mining. The only input to the method is a collection of images relevant to the target application and a meaningful initial representation, provided e.g. by pre-trained CNN. Positive examples are distant points on a single manifold, while negative examples are nearby points on different manifolds. Both types of examples are revealed by disagreements between Euclidean and manifold similarities. The discovered examples can be used in training with any discriminative loss. The method is applied to unsupervised fine-tuning of pre-trained networks for fine-grained classification and particular object retrieval. Our models are on par or are outperforming prior models that are fully or partially supervised.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/LL1303" target="_blank" >LL1303: Vyhledávání vizuálních kategorií ve velkém množství obrázků</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2018

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

CVPR 2018: Proceedings of the 2018 IEEE Conference on Computer Vision and Pattern Recognition

ISBN

978-1-5386-6420-9

ISSN

1063-6919

e-ISSN

2575-7075

Počet stran výsledku

10

Strana od-do

7642-7651

Název nakladatele

IEEE

Místo vydání

Piscataway, NJ

Místo konání akce

Salt Lake City

Datum konání akce

19. 6. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000457843607082