Network ArchitectureA triplet-based

Network Architecture
A triplet-based network architecture is proposed for the
ranking loss function (4), illustrated in Fig. 2. This netQ P N
Triplet Sampling Layer
....
Images
....
Ranking Layer
p
i p i+ p if(pi) f(pi+ - ) f(pi)
Figure 2. The network architecture of deep ranking model.
work takes image triplets as input. One image triplet contains a query image pi, a positive image p+ i and a negative
image p− i , which are fed independently into three identical deep neural networks f(.) with shared architecture and
parameters. A triplet characterizes the relative similarity relationship for the three images. The deep neural network
f(.) computes the embedding of an image pi: f(pi) ∈ Rd,
where d is the dimension of the feature embedding.
A ranking layer on the top evaluates the hinge loss (3)
of a triplet. The ranking layer does not have any parameter. During learning, it evaluates the model’s violation of
the ranking order, and back-propagates the gradients to the
lower layers so that the lower layers can adjust their parameters to minimize the ranking loss (3).
We design a novel multiscale deep neural network architecture that employs different levels of invariance at different scales, inspired by [8], shown in Fig. 3. The ConvNet
in this figure has the same architecture as the convolutional
deep neural network in [15]. The ConvNet encodes strong
invariance and captures the image semantics. The other two
parts of the network takes down-sampled images and use
shallower network architecture. Those two parts have less
invariance and capture the visual appearance. Finally, we
normalize the embeddings from the three parts, and combine them with a linear embedding layer. In this paper, The
dimension of the embedding is 4096.
We start with a convolutional network (ConvNet) architecture for each individual network, motivated by the recent
success of ConvNet in terms of scalability and generalizability for image classification [15]. The ConvNet contains
stacked convolutional layers, max-pooling layer, local normalization layers and fully-connected layers. The readers
can refer to [15] or the supplemental materials for more details.
A convolutional layer takes an image or the feature maps
of another layer as input, convolves it with a set of k learnable kernels, and puts through the activation function to

ผลลัพธ์ (ไทย) 1:

สถาปัตยกรรมเครือข่ายสถาปัตยกรรมเครือข่ายแฝดจะเสนอสำหรับการฟังก์ชั่นขาดทุน (4), ซึ่งแสดงในรูปที่ 2 การจัดอันดับ นี้ netQ P Nแฝดสามสุ่มตัวอย่างชั้น....รูปภาพ....จัดลำดับชั้นpผม p i + p f if(pi) (pi + -) f(pi)รูปที่ 2 สถาปัตยกรรมเครือข่ายลึกอันดับรุ่นทำงานกับภาพจะเป็นอินพุท แฝดสามภาพหนึ่งประกอบด้วยปี่ภาพแบบสอบถาม บวกภาพ p + ผมและในแง่ลบภาพ p− i ที่จะเลี้ยงอย่างอิสระลงในเครือข่ายประสาทลึกเหมือนสาม f(.) ด้วยสถาปัตยกรรมร่วม และพารามิเตอร์ ทารกมีลักษณะความสัมพันธ์คล้ายญาติสำหรับภาพสามภาพ เครือข่ายประสาทลึกf(.) คำนวณฝังของพี่มีภาพ: ∈ f(pi) Rdที่ d คือ ขนาดของคุณลักษณะฝังขาดทุนบานพับ (3) ประเมินชั้นจัดอันดับด้านบนของทารก ชั้นของการจัดอันดับไม่มีพารามิเตอร์ใด ๆ ในระหว่างการเรียน ประเมินการละเมิดของรุ่นได้จัดอันดับ และหลังแพร่กระจายการไล่ระดับสีลดชั้นที่ชั้นล่างสามารถปรับพารามิเตอร์ของพวกเขาเพื่อลดการสูญเสียอันดับ (3)เราออกแบบนวนิยาย multiscale ข่ายประสาทลึกสถาปัตยกรรมที่ใช้ invariance ที่แตกต่างกันเครื่องชั่ง แรงบันดาลใจ [8], แสดงในระดับต่าง ๆ ConvNet การในรูปนี้มีสถาปัตยกรรมเดียวกันเป็นการสลับลำดับข้อมูลเครือข่ายประสาทลึกใน [15] ConvNet การเข้ารหัสที่แข็งแกร่งinvariance และจับความหมายของภาพ อีกสองส่วนของเครือข่ายใช้ภาพตัวอย่างลงและใช้สถาปัตยกรรมเครือข่ายตื้น สองส่วนที่มีน้อยinvariance และการจับภาพลักษณะที่ปรากฏ ในที่สุด เราปกติ embeddings จากสามส่วน และรวมกับชั้นฝังเชิงเส้น ในกระดาษนี้ การมิติของการฝังเป็น 4096เราเริ่มต้น ด้วยสถาปัตยกรรมแบบสลับลำดับข้อมูลเครือข่าย (ConvNet) แต่ละแต่ละเครือข่าย แรงจูงใจจากการล่าความสำเร็จของ ConvNet ในแง่ภาระและ generalizability การจัดภาพ [15] ConvNet ประกอบด้วยชั้นซ้อนสลับลำดับข้อมูล ชั้นสูงสุดร่วมกัน การฟื้นฟูท้องถิ่นชั้น และชั้นเชื่อมต่ออย่างเต็ม ผู้อ่านสามารถอ้างถึง [15] หรือวัสดุเพิ่มเติมสำหรับรายละเอียดเพิ่มเติมได้ชั้นสลับลำดับข้อมูลที่ใช้รูปภาพ หรือคุณลักษณะแผนที่ของชั้นอื่นเป็นอินพุต convolves ของเมล็ด learnable k และทำให้ผ่านการเปิดใช้งานฟังก์ชันการ

ผลลัพธ์ (ไทย) 2:

สถาปัตยกรรมเครือข่าย
สถาปัตยกรรมเครือข่ายแฝดตามเสนอสำหรับ
ฟังก์ชั่นการสูญเสียการจัดอันดับ (4) ที่แสดงในรูป 2. netQ PN
Triplet สุ่มตัวอย่างชั้น
....
แสดงสินค้า
....
การจัดอันดับชั้น
P
ฉันฉัน P + P ถ้า (PI) f (Pi + -) f (PI)
. รูปที่ 2 สถาปัตยกรรมเครือข่ายของรูปแบบการจัดอันดับลึก
การทำงานต้องใช้ภาพ แฝดสามเป็น input หนึ่งภาพแฝดมี Pi ภาพแบบสอบถามเป็นภาพบวก P + I และลบ
ภาพ p- ฉันซึ่งเป็นอาหารอิสระเป็นสามเหมือนกันลึกเครือข่ายประสาท F (.) ด้วยสถาปัตยกรรมที่ใช้ร่วมกันและ
พารามิเตอร์ แฝดลักษณะเฉพาะของความสัมพันธ์ที่คล้ายคลึงกันญาติสำหรับสามภาพ ลึกเครือข่ายประสาท
(.) ฉคำนวณการฝังของ Pi ภาพ: f (PI) ∈ถ
. d เป็นมิติของการฝังคุณลักษณะ
ชั้นการจัดอันดับด้านบนประเมินการสูญเสียบานพับ (3)
ของแฝด ชั้นการจัดอันดับไม่ได้มีพารามิเตอร์ใด ๆ ในช่วงการเรียนรู้การประเมินการละเมิดรูปแบบของ
การสั่งซื้อการจัดอันดับและกลับแพร่กระจายการไล่ระดับสีไปยัง
ชั้นล่างเพื่อที่ชั้นล่างสามารถปรับค่าพารามิเตอร์ของพวกเขาเพื่อลดการสูญเสียการจัดอันดับ (3).
เราออกแบบสถาปัตยกรรมเครือข่ายนวนิยาย Multiscale ลึกประสาท ที่มีพนักงานระดับต่างๆของการแปรเปลี่ยนในระดับที่แตกต่างกัน, แรงบันดาลใจจาก [8], แสดงในรูป 3. ConvNet
ในรูปนี้มีสถาปัตยกรรมเช่นเดียวกับความสับสน
เครือข่ายประสาทลึกลงไปใน [15] ConvNet เข้ารหัสที่แข็งแกร่ง
ไม่แปรเปลี่ยนความหมายและจับภาพ อีกสอง
ส่วนของเครือข่ายต้องใช้ภาพลงตัวอย่างและใช้
สถาปัตยกรรมเครือข่ายตื้น ทั้งสองส่วนมีน้อย
ไม่แปรเปลี่ยนและการจับภาพลักษณะที่ปรากฏ สุดท้ายเรา
ปกติ embeddings จากสามชิ้นส่วนและรวมกับชั้นฝังเชิงเส้น ในกระดาษนี้
มิติของการฝังเป็น 4096
เราเริ่มต้นด้วยเครือข่ายความสับสน (ConvNet) สถาปัตยกรรมสำหรับเครือข่ายแต่ละกระตุ้นโดยเมื่อเร็ว ๆ นี้
ความสำเร็จของ ConvNet ในแง่ของความยืดหยุ่นและ generalizability สำหรับการจำแนกภาพ [15] ConvNet มี
ซ้อนกันชั้นสับสนชั้นสูงสุดร่วมกันชั้นฟื้นฟูท้องถิ่นและชั้นที่เชื่อมต่ออย่างเต็มที่ ผู้อ่าน
สามารถดูได้ที่ [15] หรืออุปกรณ์เสริมสำหรับรายละเอียดเพิ่มเติม.
ชั้นสับสนต้องใช้ภาพหรือแผนที่คุณลักษณะ
ของอีกชั้นหนึ่งเป็น input convolves กับชุดของเมล็ด learnable K และทำให้การเปิดใช้งานฟังก์ชั่นผ่านไป

ผลลัพธ์ (ไทย) 3:

สถาปัตยกรรมเครือข่ายสถาปัตยกรรมเครือข่ายตามแฝดสามคือเสนอสำหรับการจัดอันดับฟังก์ชันการสูญเสีย ( 4 ) , แสดงในรูปที่ 2 นี้ netq P Ntriplet ชั้นการสุ่มตัวอย่าง. . . . . . .ภาพ. . . . . . .การจัดอันดับชั้นpผม P + P ถ้า ( PI ) F ( พี + - ) F ( PI )รูปที่ 2 การจัดอันดับสถาปัตยกรรมของเครือข่ายแบบลึกงานใช้เวลาสามภาพเป็นข้อมูล ภาพสาม ประกอบด้วยแบบสอบถามภาพและภาพในเชิงบวกและเชิงลบ P + ผมภาพ P −ฉันซึ่งถูกเลี้ยงอย่างอิสระเป็นสามเหมือนลึกเครือข่ายประสาท F ( . ) ด้วยสถาปัตยกรรมร่วมแบ่งปันพารามิเตอร์ แฝดสามลักษณะความสัมพันธ์ความเหมือนญาติทั้ง 3 ภาพ เครือข่ายประสาทลึกF ( . ) คำนวณการฝังตัวของปี่ภาพ : F ( PI ) ∈ Rd ,ที่เป็นมิติของคุณลักษณะที่ฝังตัว .ชั้นของการจัดอันดับในด้านบนบานพับ ( 3 ) ประเมินการสูญเสียของแฝดสาม การจัดอันดับชั้นไม่มีพารามิเตอร์ใด ๆ ในระหว่างที่เรียน มันประเมินรูปแบบของการละเมิดการจัดอันดับ และไล่ให้กลับแพร่กระจายต่ำกว่าชั้นเพื่อให้ชั้นล่างสามารถปรับพารามิเตอร์ของพวกเขาเพื่อลดการสูญเสียอันดับ ( 3 )เราออกแบบนวนิยาย multiscale ลึกเครือข่ายประสาท สถาปัตยกรรม ที่ใช้ต่างกัน แปรเปลี่ยนในระดับต่างๆ , แรงบันดาลใจจาก [ 8 ] , แสดงในรูปที่ 3 การ convnetในรูปนี้มีสถาปัตยกรรมแบบเดียวกับคอนเครือข่ายประสาทลึก [ 15 ] การ convnet เข้ารหัสที่แข็งแกร่งแปรเปลี่ยนและรวบรวมภาพอรรถศาสตร์ สองอื่น ๆส่วนของเครือข่ายจะลงภาพตัวอย่าง และใช้สถาปัตยกรรมเครือข่ายที่ตื้น . ทั้งสองส่วนมีน้อยแปรเปลี่ยน และ จับ ภาพ ที่ปรากฏ ในที่สุดปกติ embeddings จากสามส่วน และรวมกับการฝังเส้นชั้น ในกระดาษนี้มิติของการฝังเป็น 4096 .เราเริ่มต้นด้วยเครือข่ายคอน ( convnet ) สถาปัตยกรรมสำหรับเครือข่ายแต่ละบุคคล แรงจูงใจ โดยล่าสุดความสำเร็จของ convnet ในแง่ของความยืดหยุ่นและการจำแนกภาพ 1 [ 15 ] การ convnet ประกอบด้วยขดซ้อนชั้น แม็กซ์รวมชั้น , ชั้นการฟื้นฟูท้องถิ่นอย่างเต็มที่และเชื่อมต่อกับชั้น ผู้อ่านสามารถดู [ 15 ] หรือวัสดุเสริม สำหรับรายละเอียดเพิ่มเติมชั้นคอนใช้ภาพหรือคุณลักษณะแผนที่ชั้นอื่นเป็น input convolves กับชุดของ K learnable เมล็ดและกระตุ้นการทำงาน เพื่อให้ผ่าน