兼顧回溯一致性特徵的持續學習方法於視覺搜尋之研究

Abstract

視覺搜尋旨從圖庫中找出與查詢影像相似的目標，在電子商務系統中扮演著至關重要的角色。隨著電腦視覺技術之演進，深度神經網路透過捕捉深層語意特徵，在視覺搜尋領域取得重大的突破。然而，當今的方法仰賴模型在整個資料集進行訓練，忽略模型持續更新之需求；再者，隨著模型的更迭，新模型必須對圖庫集重新提取特徵，藉以維持在一致的特徵空間中進行合理的成對距離度量，但對於實務而言，陳舊的圖庫集往往過於龐大，致使每輪更新需付出極高的計算代價。本論文基於視覺搜尋提出一種兼顧回溯一致性特徵的持續學習框架，力圖有效緩解上述問題。請注意，在實際的檢索系統中，由於收集的新數據將逐步放入資料庫中，所以圖庫集將漸進增長，我們首創的持續學習方法解決了帶有回溯一致性的圖庫集增長問題，亦即是先前學習器提取的特徵將保持不變，因此，我們的方法不需要對整個圖庫集重新提取特徵。我們引入三個準則來解決這個問題：基於新數據的分類損失、新舊模型之間的蒸餾損失以及迫使圖庫集特徵不變的一致性損失。廣泛的實驗表明該法在所有設置下皆有最頂尖的效能。