same category. Existing deep learni

same category. Existing deep learning models for image
similarity also focus on learning category-level image similarity [22]. Category-level image similarity mainly corresponds to semantic similarity. [6] studies the relationship
between visual similarity and semantic similarity. It shows
that although visual and semantic similarities are generally consistent with each other across different categories,
there still exists considerable visual variability within a category, especially when the category’s semantic scope is
large. Thus, it is worthwhile to learn a fine-grained model
that is capable of characterizing the fine-grained visual similarity for the images within the same category.
The following works are close to our work in the spirit
of learning fine-grained image similarity. Relative attribute [19] learns image attribute ranking among the images with the same attributes. OASIS [3] and local distance learning [10] learn fine-grained image similarity ranking models on top of the hand-crafted features. These above
works are not deep learning based. [25] employs deep learning architecture to learn ranking model, but it learns deep
network from the “hand-crafted features” rather than directly from the pixels. In this paper, we propose a Deep
Ranking model, which integrates the deep learning techniques and fine-grained ranking model to learn fine-grained
image similarity ranking model directly from images. The
Deep Ranking models perform much better than categorylevel image similarity models in image retrieval applications.
Pairwise ranking model is a widely used learning-to-rank
formulation. It is used to learn image ranking models in
[3, 19, 10]. Generating good triplet samples is a crucial
aspect of learning pairwise ranking model. In [3] and [19],
the triplet sampling algorithms assume that we can load the
whole dataset into memory, which is impractical for a large
dataset. We design a computationally efficient online triplet
sampling algorithm that does not require loading the whole
dataset into memory, which makes it possible to learn deep
ranking models with very large amount of training data

ผลลัพธ์ (ไทย) 1:

ประเภทเดียวกัน การเรียนรู้รูปแบบสำหรับภาพที่มีอยู่ลึกความคล้ายคลึงกันยังเน้นการเรียนรู้ระดับประเภทภาพคล้าย [22] ภาพถ่ายประเภทระดับความคล้ายคลึงกันส่วนใหญ่สอดคล้องกับความคล้ายคลึงกันทางตรรก [6] ศึกษาความสัมพันธ์มองเห็นความคล้ายคลึงและความคล้ายคลึงกันทางตรรก มันแสดงให้เห็นที่แม้ว่าภาพ และความหมายคล้ายคลึงกันโดยทั่วไปสอดคล้องกับแต่ละอื่น ๆ ในหมวดต่าง ๆยังคงมีความแปรปรวนมากที่มองเห็นภายในประเภท โดยเฉพาะอย่างยิ่งเมื่อขอบเขตความหมายของประเภทขนาดใหญ่ ดังนั้น มันคุ้มค่าในการเรียนรู้แบบจำลองกำหนดที่มีความสามารถในลักษณะคล้ายภาพกำหนดสำหรับภาพภายในประเภทเดียวกันทำงานต่อไปนี้อยู่ใกล้กับงานของเราในจิตวิญญาณการเรียนรู้กำหนดภาพความคล้ายคลึงกัน แอตทริบิวต์ญาติ [19] เรียนรู้คุณลักษณะภาพจัดอันดับในหมู่ภาพที่มีแอตทริบิวต์เดียวกัน โอเอซิส [3] และภายในระยะการเรียนรู้ [10] เรียนรู้กำหนดภาพคล้ายรูปด้านบนของคุณลักษณะการออกแบบการจัดอันดับ เหล่านี้ข้างต้นทำงานไม่ได้เรียนลึกขึ้น [25] พนักงานเรียนรู้ลึกสถาปัตยกรรมเพื่อเรียนรู้โมเดลอันดับ แต่มันเรียนรู้ลึกเครือข่าย จาก "ฝีมือคุณลักษณะ" มากกว่าโดยตรง จากพิกเซล ในกระดาษนี้ เราเสนอลึกจัดอันดับรูป ซึ่งรวมลึกเรียนรู้เทคนิคและรูปแบบจัดอันดับกำหนดการเรียนรู้กำหนดรูปแบบจัดอันดับคล้ายภาพโดยตรงจากภาพ การจัดอันดับลึกรุ่นทำมากดีกว่ารุ่นคล้ายภาพ categorylevel ภาพเรียกใช้งานPairwise อันดับรุ่นเป็นที่ใช้กันอย่างกว้างขวางการเรียนรู้เพื่อ-rankสูตร ใช้สำหรับการเรียนรู้รุ่นที่จัดอันดับรูปภาพใน[3, 19, 10] สร้างตัวอย่างทารกดีเป็นสำคัญลักษณะของการเรียนรู้แบบจัดอันดับแพร์ไวส์ ใน [3] และ [19],ขั้นตอนวิธีการสุ่มตัวอย่างทารกสมมติว่า เราสามารถโหลดการชุดข้อมูลทั้งหมดลงในหน่วยความจำ ซึ่งจะทำไม่ได้สำหรับขนาดใหญ่ชุดข้อมูล เราออกแบบเป็นแฝดสามออนไลน์ computationally มีประสิทธิภาพอัลกอริทึมการสุ่มตัวอย่างที่ไม่ต้องการโหลดทั้งหมดชุดข้อมูลลงในหน่วยความจำ ซึ่งทำให้สามารถเรียนรู้ลึกการจัดอันดับรุ่นที่ มีจำนวนมากของข้อมูลการฝึกอบรม

ผลลัพธ์ (ไทย) 2:

หมวดหมู่เดียวกัน ที่มีอยู่ในโมเดลการเรียนรู้ลึกสำหรับภาพที่
คล้ายคลึงกันยังมุ่งเน้นการเรียนรู้ที่มีความคล้ายคลึงกันของภาพระดับหมวดหมู่ [22] หมวดหมู่ระดับความคล้ายคลึงกันของภาพส่วนใหญ่สอดคล้องกับความหมายคล้ายคลึงกัน [6] การศึกษาความสัมพันธ์
ระหว่างความคล้ายคลึงกันของภาพและความหมายคล้ายคลึงกัน มันแสดงให้เห็น
ว่าถึงแม้จะมีความคล้ายคลึงกันของภาพและความหมายโดยทั่วไปจะมีความสอดคล้องกับแต่ละอื่น ๆ ในแต่ละประเภทที่แตกต่างกัน
มีความแปรปรวนยังคงมีอยู่มากภาพในหมวดหมู่โดยเฉพาะอย่างยิ่งเมื่อมีหมวดหมู่ของความหมายขอบเขต
ขนาดใหญ่ ดังนั้นจึงเป็นสิ่งที่คุ้มค่าต่อการเรียนรู้รูปแบบเม็ดเล็ก
ที่มีความสามารถในการอธิบายลักษณะคล้ายคลึงกันภาพที่มีความละเอียดสำหรับภาพในหมวดหมู่เดียวกัน.
ผลงานดังต่อไปนี้มีการปิดการทำงานของเราในจิตวิญญาณ
ของการเรียนรู้ความคล้ายคลึงกันของภาพที่มีความละเอียด แอตทริบิวต์ญาติ [19] เรียนรู้การจัดอันดับในภาพที่มีลักษณะเดียวกันแอตทริบิวต์ภาพ OASIS [3] และการเรียนรู้ทางไกลในประเทศ [10] เรียนรู้ภาพที่ละเอียดการจัดอันดับความคล้ายคลึงกันรุ่นที่ด้านบนของคุณลักษณะมือฝีมือ ดังกล่าวข้างต้นเหล่านี้
ผลงานที่มีการเรียนรู้ไม่ลึกตาม [25] พนักงานสถาปัตยกรรมการเรียนรู้ลึกในการเรียนรู้การจัดอันดับรุ่น แต่ก็รู้ลึก
เครือข่ายจาก "คุณลักษณะมือ crafted" มากกว่าโดยตรงจากพิกเซล ในบทความนี้เรานำเสนอลึก
รูปแบบการจัดอันดับซึ่งรวมเทคนิคการเรียนรู้ลึกและรูปแบบการจัดอันดับที่มีความละเอียดในการเรียนรู้ที่มีความละเอียด
ของภาพที่คล้ายคลึงกันการจัดอันดับรูปแบบโดยตรงจากภาพ
ลึกรูปแบบการจัดอันดับการดำเนินการที่ดีขึ้นกว่ารุ่น categorylevel ภาพความคล้ายคลึงกันในการใช้งานการดึงภาพ.
Pairwise รูปแบบการจัดอันดับคือการเรียนรู้การใช้กันอย่างแพร่หลายอันดับ
สูตร มันถูกใช้ในการเรียนรู้รูปแบบการจัดอันดับภาพ
[3, 19, 10] สร้างตัวอย่างแฝดที่ดีเป็นสิ่งสำคัญใน
แง่มุมของการเรียนรู้รูปแบบการจัดอันดับคู่ ใน [3] และ [19],
ขั้นตอนวิธีการสุ่มตัวอย่างแฝดสมมติว่าเราสามารถโหลด
ชุดข้อมูลทั้งหมดลงในหน่วยความจำซึ่งจะทำไม่ได้สำหรับขนาดใหญ่
ชุด เราออกแบบแฝดออนไลน์คอมพิวเตอร์มีประสิทธิภาพ
ขั้นตอนวิธีการสุ่มตัวอย่างที่ไม่ต้องโหลดทั้ง
ชุดข้อมูลในหน่วยความจำซึ่งจะทำให้มันเป็นไปได้ที่จะเรียนรู้ลึก
รูปแบบการจัดอันดับที่มีจำนวนมากของข้อมูลการฝึกอบรม

ผลลัพธ์ (ไทย) 3:

ประเภทเดียวกัน ที่มีอยู่ลึกการเรียนรู้รูปแบบรูปภาพความเหมือนยังมุ่งเน้นการเรียนรู้ประเภทระดับคล้ายภาพ [ 22 ] ประเภทระดับความคล้ายคลึงกันภาพส่วนใหญ่สอดคล้องกับความหมายคล้ายคลึงกัน [ 6 ] การศึกษาความสัมพันธ์ความเหมือนระหว่างภาพและความหมายคล้ายคลึงกัน มันแสดงแม้ว่าภาพและความหมายคล้ายคลึงกันโดยทั่วไปที่สอดคล้องกับแต่ละอื่น ๆในรูปแบบต่าง ๆยังคงมีความแปรปรวนมาก ภาพภายในประเภท โดยเฉพาะอย่างยิ่งเมื่อประเภทของความหมาย ขอบเขตคือขนาดใหญ่ ดังนั้นมันคุ้มค่าที่จะเรียนรู้อย่างละเอียดแบบที่สามารถบ่งบอกลักษณะอย่างละเอียดภาพความเหมือนสำหรับภาพที่อยู่ในหมวดหมู่เดียวกันผลงานต่อไปนี้จะปิดการทำงานของเราในจิตวิญญาณเรียนรู้อย่างละเอียดภาพที่คล้ายคลึงกัน ญาติ [ 19 ] เรียนรู้คุณลักษณะของการจัดอันดับภาพระหว่างภาพที่มีลักษณะเดียวกัน โอเอซิส [ 3 ] และท้องถิ่นทางไกล [ 10 ] เรียนรู้อย่างละเอียดคล้ายภาพการจัดอันดับรุ่นด้านบนของมือ crafted คุณสมบัติ เหล่านี้ดังกล่าวข้างต้นทำงานไม่ได้ลึกเพื่อการเรียนการสอน [ 25 ] ใช้สถาปัตยกรรมลึกเรียนรู้ที่จะเรียนรู้รูปแบบการจัดอันดับ แต่ก็รู้ลึกๆเครือข่ายจาก " มือ crafted คุณสมบัติ " มากกว่าโดยตรงจากพิกเซล ในกระดาษนี้เราเสนอลึกรูปแบบการจัดอันดับ ซึ่งรวมลึกเรียนรู้เทคนิคและรูปแบบการเรียนรู้อย่างละเอียดอย่างละเอียดจัดอันดับการจัดอันดับรูปแบบคล้ายภาพโดยตรงจากภาพ ที่การจัดอันดับแบบลึกทำให้ดีกว่า categorylevel คล้ายภาพโมเดลในโปรแกรมค้นคืนภาพการจัดอันดับคู่แบบมีใช้กันอย่างแพร่หลายการเรียนรู้อันดับการกำหนด มันถูกใช้เพื่อเรียนรู้รูปแบบการจัดอันดับภาพ[ 3 , 19 , 10 ] ผลิตตัวอย่างสามดีเป็นสำคัญลักษณะของรูปแบบการเรียนรู้การจัดอันดับคู่ . ใน [ 3 ] และ [ 19 ]พวกแฝดสามขั้นตอนวิธีการสุ่มตัวอย่างสมมติว่าเราสามารถโหลดทั้งชุดข้อมูลในหน่วยความจำซึ่งไม่เหมาะสมสำหรับขนาดใหญ่ชุดข้อมูล . เราออกแบบ computationally ตติยะออนไลน์ที่มีประสิทธิภาพวิธีที่ไม่ต้องโหลดทั้ง 2ข้อมูลในหน่วยความจำซึ่งจะทำให้มันเป็นไปได้ที่จะเรียนรู้ลึกนางแบบอันดับด้วยปริมาณขนาดใหญ่มากของข้อมูลการฝึกอบรม