图像检索中的贝叶斯三重损失：量化不确定性和改进检索性能

图像检索中的贝叶斯三重损失及不确定性量化 本文旨在解决图像检索中的不确定性量化问题，该问题对下游决策至关重要，但目前仍然是一个具有挑战性的、尚未探索的领域。本文提出了一种新的方法，将图像嵌入视为随机特征，而不是确定性特征，并提出了贝叶斯三重损失的概念，解决了传统方法的缺陷。 图像检索系统在具有挑战性的任务中表现出令人印象深刻的性能，如人脸验证、实例检索、地标检索和位置识别等。但是，这些系统通常将图像嵌入到高级特征中，并使用最近邻搜索进行检索，而检索没有置信度的概念，这在安全关键应用中特别成问题。 本文的贡献在于，提出了一种新的方法，将图像嵌入视为随机特征，而不是确定性特征，并评估锚点更接近于正的概率而不是负的概率。同时，本文还证明了传统的l2归一化是基于先验的。 本文的主要贡献有两个方面：一是匹配三元组约束的可能性，并且评估锚点更接近于正的概率而不是负的概率；二是在特征空间上的先验证明了传统的l2归一化。为了确保计算效率，本文推导出变分近似的后验，称为贝叶斯三重损失，产生国家的最先进的不确定性估计和匹配的预测性能。 贝叶斯三重损失的提出解决了传统方法的缺陷，如校准不良、计算昂贵或基于启发式等问题。同时，本文还讨论了图像检索系统的挑战性问题，如检索系统没有一个小的一组预定义的类作为输出目标，而是需要高层次的功能，推广到看不见的类。 本文的贡献在于提出了一种新的方法，将图像嵌入视为随机特征，而不是确定性特征，并提出了贝叶斯三重损失的概念，解决了传统方法的缺陷，并提高了图像检索系统的性能。 知识点： 1. 图像检索中的不确定性量化对下游决策至关重要，但目前仍然是一个具有挑战性的、尚未探索的领域。 2. 传统的图像检索系统通常将图像嵌入到高级特征中，并使用最近邻搜索进行检索，而检索没有置信度的概念。 3. 贝叶斯三重损失的提出解决了传统方法的缺陷，如校准不良、计算昂贵或基于启发式等问题。 4. 将图像嵌入视为随机特征，而不是确定性特征，能够学习的随机特征。 5. 贝叶斯三重损失能够产生国家的最先进的不确定性估计和匹配的预测性能。 6. 图像检索系统的挑战性问题，如检索系统没有一个小的一组预定义的类作为输出目标，而是需要高层次的功能，推广到看不见的类。