Then, we sample a positive image p+

Then, we sample a positive image p+ i from the images
sharing the same categories as pi. Since we are more interested in the top-ranked images, we should sample more
positive images p+ i with high relevance scores ri,i+. The
probability of choosing an image p+ i as positive image is:
P (p+ i ) = min{Tp, ri,i+}
Zi
(7)
where T
p is a threshold parameter, and the normalization
constant Zi equals Pi+ P (p+ i ) for all the p+ i sharing the
the same categories with pi.
We have two types of negative image samples. The first
type is out-of-class negative samples, which are the negative
samples that are in a different category from query image pi.
They are drawn uniformly from all the images with different categories with pi. The second type is in-class negative
samples, which are the negative samples that are in the same
category as pi but is less relevant to pi than p+ i . Since we
are more interested in the top-ranked images, we draw inclass negative samples p− i with the same distribution as (7).
In order to ensure robust ordering between p+ i and p− i in
a triplet ti = (pi, p+ i , p− i ), we also require that the margin
between the relevance score r
i,i+ and ri,i− should be larger
than T
r, i.e.,
ri,i+ − ri,i− ≥ Tr, ∀ti = (pi, p+ i , p− i ) (8)
We reject the triplets that do not satisfy this condition. If
the number of failure trails for one example exceeds a given
threshold, we simply discard this example.
Learning deep ranking models requires large amount of
data, which cannot be loaded into main memory. The sampling algorithms that require random access to all the examples in the dataset are not applicable. In this section, we
propose an efficient online triplet sampling algorithm based
on reservoir sampling [7].
We have a set of buffers to store images. Each buffer has
a fixed capacity, and it stores images from the same category. When we have one new image pj, we compute its key
k
j = u
(1/rj)
j ,where rj is its total relevance score defined in
(6) and uj = uniform(0, 1) is a uniformly sampled number.
The buffer corresponding to the image pj’s can be found according to its category cj. If the buffer is not full, we insert
the image pj into the buffer with key kj. Otherwise, we find
the image p′ j with smallest key kj ′ in the buffer. If kj > kj ′ ,
we replace the image p′ j with image pj in the buffer. Otherwise, the imgage example pj is discarded. If this replacing
scheme is employed, uniformly sampling from a buffer is
equivalent to drawing samples with probability proportional
to the total relevance score r
j.
One image pi is uniformly sampled from all the images in the buffer of category cj as the query image. We
then uniformly generate one image p+ i from all the images

ผลลัพธ์ (ไทย) 1:

จากนั้น เราตัวอย่างรูปบวก p + ผมจากภาพประเภทเดียวกันเป็นปี่ที่ใช้ร่วมกัน เนื่องจากเรามีความสนใจในอันดับภาพ เราควรตัวอย่างเพิ่มเติมภาพบวก p + มีความเกี่ยวข้องสูงคะแนน ri, i + การน่าเลือกภาพ p + เป็นภาพเชิงบวกคือ:P (p + ผม) =นาที {Tp, ri, i + }Zi(7)ที่ Tp คือ พารามิเตอร์จำกัด และการฟื้นฟูซิคงเท่ากับ Pi + P (p + ผม) สำหรับทั้งหมด p + ฉันแบ่งปันการประเภทเดียวกันกับปี่เรามีสองประเภทของตัวอย่างภาพลบ ครั้งแรกชนิดคือ ออกเรียนลบตัวอย่าง ซึ่งเป็นด้านลบตัวอย่างที่อยู่ในประเภทอื่นจากแบบสอบถามภาพปี่พวกเขาจะวาดอย่างสม่ำเสมอจากภาพทั้งหมดที่มีประเภทแตกต่างกันกับพี่ ประเภทที่สองเป็นค่าลบในชั้นเรียนตัวอย่าง ซึ่งเป็นตัวอย่างเชิงลบที่อยู่ในเดียวกันประเภทเป็นปี่แต่เป็นที่เกี่ยวข้องกับผีกว่า p + ผมน้อย ตั้งแต่เรามีความสนใจในภาพอันดับ เราวาด inclass p− ตัวอย่างเชิงลบมีการกระจายเดียวกันเป็น (7)เพื่อให้ทนทานสั่งซื้อระหว่าง p + ผมและ p− ฉันในti เป็นแฝด = (พาย p + i, p− ผม), เรายังกำหนดว่าขอบระหว่าง r คะแนนเกี่ยวข้องฉัน i + และ ri, i− ควรมีขนาดใหญ่กว่า Tr เช่นri, i + −≥ i− Tr, ∀ti, ri = (พาย p + i, p− ฉัน) (8)เราปฏิเสธกับที่ตอบสนองเงื่อนไขนี้ ถ้าจำนวนความล้มเหลวของเส้นทางสำหรับตัวอย่างหนึ่งเกินที่กำหนดเขตแดน เราเพียงแค่ทิ้งอย่างนี้เรียนลึกอันดับรุ่นต้องใช้เงินจำนวนมากข้อมูล ซึ่งไม่สามารถโหลดลงในหน่วยความจำหลัก ไม่มีขั้นตอนวิธีการสุ่มตัวอย่างที่ต้องการเข้าถึงแบบสุ่มตัวอย่างทั้งหมดในชุดข้อมูล ในส่วนนี้ เราเสนอขั้นตอนวิธีสุ่มตัวอย่างทารกออนไลน์ที่มีประสิทธิภาพมีคะแนนในอ่างเก็บน้ำ [7] การสุ่มตัวอย่างเรามีชุดของบัฟเฟอร์เพื่อเก็บภาพ มีบัฟเฟอร์แต่ละความจุถาวร และจัดเก็บภาพจากประเภทเดียวกัน เมื่อเรามี pj ภาพใหม่หนึ่ง เราคำนวณคีย์การkj = u(1/rj)j ที่ rj เป็นคะแนนรวมความเกี่ยวข้องที่กำหนดไว้ใน(6) และ uj =เหมือนกัน (0, 1) คือ หมายเลขตัวอย่างสม่ำเสมอบัฟเฟอร์ที่สอดคล้องกับพีเจภาพได้ตาม cj ประเภท ถ้าบัฟเฟอร์ไม่เต็ม เราใส่pj ภาพลงในบัฟเฟอร์คีย์ kj มิฉะนั้น เราค้นหาเจ p′ ภาพพร้อมทั้ง kj คีย์ที่เล็กที่สุดในบัฟเฟอร์ ถ้า kj > ทั้ง kjเราสามารถแทนภาพ p′ เจกับ pj ภาพในบัฟเฟอร์ มิฉะนั้น pj อย่าง imgage จะถูกละทิ้ง ถ้านี้แทนโครงร่างเป็นลูกจ้าง สุ่มตัวอย่างอย่างสม่ำเสมอจากบัฟเฟอร์เป็นเทียบเท่ากับรูปวาดตัวอย่างกับความน่าเป็นสัดส่วนการเกี่ยวข้องรวมคะแนน rjหนึ่งภาพปี่สม่ำเสมอตัวอย่างจากรูปทั้งหมดในบัฟเฟอร์ของประเภท cj เป็นภาพแบบสอบถาม เราแล้ว สร้างภาพหนึ่งภาพสม่ำเสมอ p + ผมจากภาพทั้งหมด

ผลลัพธ์ (ไทย) 2:

จากนั้นเราจะได้ลิ้มลองบวกภาพ P + I จากภาพ
ร่วมกันประเภทเดียวกับพี่ เนื่องจากเรามีความสนใจในภาพที่ติดอันดับเราควรลิ้มลองมากขึ้น
ภาพเชิงบวก P + I ที่มีคะแนนความสัมพันธ์กันสูง ri, i +
น่าจะเป็นของการเลือก P ภาพ + i เป็นภาพในเชิงบวกคือ:
P (P + I) = นาที {TP, ri, i +}
Zi
(7)
ที่ T
P เป็นพารามิเตอร์ที่เกณฑ์และฟื้นฟู
อย่างต่อเนื่อง Zi เท่ากับ Pi + P (P + I ) สำหรับทุก P + I แบ่งปัน
ประเภทเดียวกันกับ Pi.
เรามีสองประเภทของตัวอย่างภาพลบ ครั้งแรก
ประเภทออกของชั้นตัวอย่างเชิงลบซึ่งเป็นเชิงลบ
ตัวอย่างที่อยู่ในประเภทที่แตกต่างจากภาพ Pi แบบสอบถาม.
พวกเขาจะวาดสม่ำเสมอจากภาพทั้งหมดที่มีประเภทที่แตกต่างกับพี่ ประเภทที่สองอยู่ในระดับเชิงลบ
ตัวอย่างซึ่งเป็นตัวอย่างเชิงลบที่มีในเดียวกัน
ประเภทการเป็นปี่ แต่มีความเกี่ยวข้องน้อยที่จะ Pi กว่า P + I เนื่องจากเรา
มีความสนใจในภาพที่ติดอันดับเราวาดตัวอย่างเชิงลบ inclass P- ฉันกับการจัดจำหน่ายเช่นเดียวกับ (7).
เพื่อให้มั่นใจในการสั่งซื้อที่แข็งแกร่งระหว่าง P + I และ p- ฉันใน
TI แฝด = (PI, P + I, p-i) เรายังจำเป็นต้องให้อัตรากำไรขั้นต้น
ระหว่างคะแนนความสัมพันธ์กัน R
i, i + และ ri, I- ควรจะมีขนาดใหญ่
กว่า T
R คือ
ri, i + - ri, I- ≥ TR, ∀ti = (PI, P + I, p-I) (8)
เราปฏิเสธแฝดที่ไม่ตอบสนองเงื่อนไขนี้ ถ้า
จำนวนของเส้นทางความล้มเหลวตัวอย่างหนึ่งเกินกว่าที่กำหนด
เกณฑ์เราก็ทิ้งตัวอย่างนี้.
การเรียนรู้รูปแบบการจัดอันดับลึกต้องใช้จำนวนมากของ
ข้อมูลที่ไม่สามารถโหลดลงในหน่วยความจำหลัก ขั้นตอนวิธีการสุ่มตัวอย่างที่ต้องการการเข้าถึงแบบสุ่มตัวอย่างทั้งหมดในชุดข้อมูลที่จะไม่บังคับ ในส่วนนี้เรา
นำเสนอขั้นตอนวิธีการสุ่มตัวอย่างแฝดออนไลน์ที่มีประสิทธิภาพตาม
ในการสุ่มตัวอย่างอ่างเก็บน้ำ [7].
เรามีชุดของบัฟเฟอร์เพื่อเก็บภาพ แต่ละบัฟเฟอร์มี
กำลังการผลิตคงที่และจะเก็บภาพจากหมวดหมู่เดียวกัน เมื่อเรามีหนึ่ง PJ ภาพใหม่เราคำนวณของคีย์
K
J u =
(1 / RJ)
J ที่ RJ เป็นของคะแนนความสัมพันธ์กันทั้งหมดที่กำหนดไว้ใน
(6) และ UJ = เครื่องแบบ (0, 1) เป็นจำนวนตัวอย่างสม่ำเสมอ
บัฟเฟอร์ที่สอดคล้องกับ PJ ภาพสามารถพบได้ตามหมวดหมู่ของ CJ หากบัฟเฟอร์ไม่เต็มเราใส่
PJ ภาพลงในบัฟเฟอร์ที่มี kJ สำคัญ มิฉะนั้นเราจะพบ
ว่า 'J กับ kJ สำคัญที่เล็กที่สุด' ภาพ P ในบัฟเฟอร์ หาก kJ> kJ '
เราแทนที่ภาพ P' J กับ PJ ภาพในบัฟเฟอร์ มิฉะนั้น PJ ตัวอย่าง imgage จะถูกยกเลิก ถ้าเปลี่ยนนี้
โครงการจะใช้การสุ่มตัวอย่างอย่างสม่ำเสมอจากบัฟเฟอร์คือ
เทียบเท่ากับการวาดภาพตัวอย่างที่มีสัดส่วนความน่าจะเป็น
ที่จะรวมความสัมพันธ์กันคะแนน R
j.
Pi ภาพหนึ่งภาพเป็นตัวอย่างสม่ำเสมอจากภาพทั้งหมดที่อยู่ในบัฟเฟอร์ของหมวดหมู่ CJ เป็นภาพแบบสอบถาม เรา
แล้วเหมือนกันสร้างภาพหนึ่งภาพ P + I จากภาพทั้งหมด