arXiv cs.AI· Hina Otake, Shinei Arakawa, Keitaro Tanaka, Yoshihiro Fukuhara, Hirokatsu Kataoka, Shigeo Morishima·· 13 小时前AI 评分31
FDSML：用参数感知三元组损失实现公式驱动的监督度量学习
FDSML: Formula-Driven Supervised Metric Learning with Parameter-Aware Triplet Loss
AI 导读
FDSML 提出公式驱动的监督度量学习，从图像生成参数而非离散类别标签中提取关系监督，结合改进的分形数据集 FineFractalDB 与参数感知三元组损失（PA-Triplet Loss）。
正文 · AI 翻译
摘要：公式驱动的监督学习（FDSL）无需真实图像即可实现视觉预训练，但现有方法将预训练视为对离散化标签的分类，丢弃了生成过程中的连续性。我们提出公式驱动的监督度量学习（FDSML），它从图像生成参数中获取关系监督，而非仅依赖离散类别标签。FDSML 结合了 FineFractalDB（我们改进的分形数据集，具有更高的类内变化和更稳定的结构）与参数感知三元组（PA-Triplet）损失，该损失根据底层迭代函数系统参数空间中的距离来分配正样本和负样本。该目标训练嵌入以遵循由参数导出的相对相似性排序。实验表明，FDSML 提升了对图像检索的可迁移性，同时在下游分类任务上保持竞争力，并在多种损坏设置下提高了鲁棒性。在 ResNet-50 上，与 FDSL 预训练相比，Recall@1 在 Stanford Online Products 上从 65.6% 提升至 74.0%，在 Stanford Cars 上从 56.2% 提升至 78.4%。这些结果表明，对于超越识别任务的迁移，参数导出的关系监督比基于标签的分类提供了更强的合成预训练信号。
| 评论： | 已被 WACV 2027 接收。24 页（11 页正文 + 13 页补充材料）。项目页面：此 https URL |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG）；神经与进化计算（cs.NE） |
| 引用为： | arXiv:2610.39423 [cs.CV] |
| （或 arXiv:2610.39423v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.39423 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Shinei Arakawa [查看电子邮件]
[v1]
2026年10月29日星期四 06:02:45 UTC（28,841 KB）
来源：arXiv cs.AI · arxiv.org