Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
Metric Learning入門
Search
nishikimi
September 22, 2019
Research
7
4.5k
Metric Learning入門
Metric Learningについて基礎的な内容とArcFaceについて内容をまとめた資料です。
nishikimi
September 22, 2019
Tweet
Share
Other Decks in Research
See All in Research
10-ot-generic-bio.pdf
gpeyre
0
110
FMP L3 Year 1 Project Proposal
haiinya
0
140
言語間転移学習で大規模言語モデルを賢くする
ikuyamada
5
1.6k
My Journey as a UX Researcher
aranciap
0
1.1k
脳卒中患者・家族からみた循環器病対策推進基本計画の進捗に関する調査
japanstrokeassociation
0
510
「歴史的農業環境閲覧システム」と「迅速測図」について
wata909
1
530
クロスモーダル表現学習の研究動向: 音声関連を中心として
ryomasumura
3
510
東工大Swallowプロジェクトにおける大規模日本語Webコーパスの構築
aya_se
13
5.3k
自己教師あり学習による事前学習(CVIMチュートリアル)
naok615
2
1.3k
近似最近傍探索とVector DBの理論的背景
matsui_528
2
810
株式会社リクルートホールディングス 企業分析
frandle256
0
110
「EBPMエコシステム」の可能性
daimoriwaki
0
190
Featured
See All Featured
Typedesign – Prime Four
hannesfritz
36
2k
[RailsConf 2023] Rails as a piece of cake
palkan
21
3.8k
Distributed Sagas: A Protocol for Coordinating Microservices
caitiem20
319
20k
Fireside Chat
paigeccino
19
2.6k
Product Roadmaps are Hard
iamctodd
43
9.6k
Helping Users Find Their Own Way: Creating Modern Search Experiences
danielanewman
19
1.9k
Designing with Data
zakiwarfel
94
4.8k
Imperfection Machines: The Place of Print at Facebook
scottboms
257
12k
Music & Morning Musume
bryan
39
5.5k
Web development in the modern age
philhawksworth
201
10k
Put a Button on it: Removing Barriers to Going Fast.
kastner
58
3k
Exploring the Power of Turbo Streams & Action Cable | RailsConf2023
kevinliebholz
1
3.3k
Transcript
Metric Learning入門 2019/9/25 Rev0
本資料の位置づけ ❏ 読者の想定: Deep LearningでCNNによる画像分類の知識があるが、 Metric Learningに関する知識がない方 ❏ 最終的には、原論文を読んで欲しいですが、 基礎となる情報をスライドにまとめました。
❏ 資料は今後修正&更新していく予定です。
解こうとしているタスク 犬 人 猫 Aさん Bさん Cさん 一般物体認識 (通常の画像分類) 特徴
1クラスあたりのデータ数が少ない より詳細な物体認識 (通常の画像分類) 過学習を起こしやすい
metric learningの全体像 特徴量抽出器 (モデル) 学習時 利用時 ①同じクラスは 距離が近くなるように 学習 *実際には、n次元のベクトルです
②距離(類似度)を算出 検索したい データ
metric learningの全体像 特徴量抽出器 (モデル) 学習時 利用時 ①同じクラスは 距離が近くなるように 学習 *実際には、n次元のベクトルです
②距離(類似度)を算出 検索したい データ 学習時には 1クラス複数枚の 画像が必要 利用時には 1クラス1枚の画像でも よい
metric learningの種類 siamese network triplet network L2 softmax network 発表年
2006年〜 2014年〜 2017年〜 入力形式 2つペアを入力 3つペアを入力 ペア無しで入力 モデルの 概要 ancher
L2 softmax networkの代表的なモデル ・CosFace ・SphereFace ・ArcFace ・AdaCos
ArcFace (列ごとに)正規化 正規化 ① を とみなす ②正解ラベルに対する のみ mのペナルティを与える ① ②
③ ③logitsの値が小さいので logitをs倍する
Toyデータでの結果
None
メリット・デメリット ・通常のクラス分類のモデルに拡張する形なので実装が容易 ・クラス数が多いとパラメータ数が多くなる。 ・(学習時になかった)新しいクラスのデータに対する 予測精度が低い メリット デメリット
ArcFaceのクラス化 ・正規化 ・arcCos ・+mのペナルティ ・s倍のスケール などの一連の処理をクラス化 https://github.com/4uiiurz1/pytorch-adacos
通常の分類モデル の後にmetricモデルの 処理をつなげる インスタンス化
活用できそうなケース ・商品検索 - 例:自動販売機のジュース、コンビニにあるタバコ - 新商品が発売されても、画像が1枚あれば対応可能 ・レコメンド(ランキング) - 例:洋服のECサイトで選択した商品に似たアイテムを表示
参考リンク ・Metric Learning 入門 https://copypaste-ds.hatenablog.com/entry/2019/03/01/164155 ・モダンな深層距離学習 (deep metric learning) 手法:
SphereFace, CosFace, ArcFace https://qiita.com/yu4u/items/078054dfb5592cbb80cc ・ArcFaceの論文 https://arxiv.org/abs/1801.07698 ・Pytorchの実装コード https://github.com/4uiiurz1/pytorch-adacos