模型设计的指导

  1. 修改采样的方案，通过每隔几轮的更新候选集合进行采样
    • 采样中当选择了(x_a, x_p)之后，如何确定选择的x_n是一个可以提升结果的点
  2. 细化case方案，重新定制损失函数，把损失函数可视化出来
  3. 设计x_a, x_p, x_n之间的矢量信息，求出夹角方向值，重新设计损失函数
  4. 通过增大的batch信息，将类内误差和类间误差添加到损失函数中去

问题以及解决？

  1. 所有的训练样本都是根据随机选择的，其中存在部分数据是很难被直接选择到的，导致10分类的分类器的分类性能下降
  2. 改进样本构造的方案，使得所有的样本都可以进入分类器进行训练

实验结果

TODOLIST

Reference List

  1. Deep Learning of Binary Hash Codes for Fast Image Retrieval
  2. Deep Relative Distance Learning- Tell the Difference Between Similar Vehicles
  3. Deep Supervised Discrete Hashing
  4. Deep Supervised Hashing for Fast Image Retrieval
  5. FaceNet- A Unified Embedding for Face Recognition and Clustering
  6. Fast Training of Triplet-based Deep Binary Embedding Networks
  7. Hard-Aware Deeply Cascaded Embedding
  8. HashNet: Deep Learning to Hash by Continuation
  9. Fast Supervised Hashing with Decision Trees for High-Dimensional Data
  10. Simultaneous Feature Learning and Hash Coding with Deep Neural Networks
  11. Learning to Hash with Binary Reconstructive Embeddings