$30 off During Our Annual Pro Sale. View Details »

Metric Learning入門

nishikimi
September 22, 2019

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

Other Decks in Research

Transcript

  1. Metric Learning入門 2019/9/25 Rev0

  2. 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。
  3. 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
  4. 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
  5. 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
  6. 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
  7. L2 softmax networkの代表的なモデル ・CosFace ・SphereFace ・ArcFace ・AdaCos

  8. 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
  9. Toyデータでの結果

  10. None
  11. 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

  12. 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

  13. 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

  14. 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

  15. 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