arXiv cs.CV· Bill Psomas, Mohammad Mahdi, Michalis Thomas, Danda Pani Paudel, Giorgos Tolias, Giorgos Kordopatis-Zilos·· 4 小时前AI 评分22
gSAP：面向表示学习的全局平均精度可微替代损失
Global Average Precision for Representation Learning
AI 导读
研究者提出 gSAP，一种全局平均精度（gAP）的可微替代损失，只需相似度矩阵和正样本对二值矩阵，与现有损失输入相同，可即插即用且不依赖编码器、模态和监督来源。在相同精度下，gSAP 检索到的正样本对最多为最强 AP 替代损失的 4 倍，并在低温度下仍可训练。将其替换进现有方案后，监督度量学习、跨模态对齐和自监督预训练均有提升，后两者据称是首个取代 InfoNCE 的排序损失。
来源：arXiv cs.CV · arxiv.org