六、對比 SOTA

與最近的深度度量學(xué)習(xí)方法對比，我們在四個(gè)檢索數(shù)據(jù)庫上效果均大幅提升，這里僅列出 VehicleID 的效果，其他數(shù)據(jù)集的效果見原論文。

簡單來說，不同于部分文章中使用更好的網(wǎng)絡(luò)結(jié)構(gòu)，更大的輸出維度，或者更大的 mini－batch 來提升效果，強(qiáng)行 SOTA。我們列出 XBM 在 64 的 mini－batch 在不同的主干網(wǎng)絡(luò)下及各種維度下的效果，其效果一直是最好的。

七、可視化

更多可視化見論文補(bǔ)充材料，有更多實(shí)例說明效果�！�

八、總結(jié)與展望

第一，本文提出的 XBM 方法能夠記住過去的特征，使得模型的訓(xùn)練不再僅僅依靠當(dāng)前 mini－batch 的樣本，而是可以跨越時(shí)空進(jìn)行樣本配對。從而用極小的代價(jià)，提供了巨量的樣本對，為 pair－based 的深度度量學(xué)習(xí)方法取得了巨大的效果提升。這種提升難例挖掘效果的方式，也是突破了過去兩個(gè)傳統(tǒng)思路：加權(quán)和聚類，并且效果也更加簡單、直接，很好地解決了深度度量學(xué)習(xí)的痛點(diǎn)。

第二，其實(shí) Memory 機(jī)制并不是本文原創(chuàng)，但是用 Memory 來做難例挖掘是一個(gè)全新的嘗試。同樣在 CVPR 2020 獲得 Oral，也是由 Kaiming He 作為一作的 MoCo 也是這種思路。本文的方法其實(shí)可以認(rèn)為是 MoCo 在 ｍ＝0 的特例，Kaiming 通過動(dòng)量更新 key encoder，可以直接控制住特征偏移。作者認(rèn)為，這種方法還會(huì)在很多任務(wù)帶來提升，不局限于 Kaiming 的自監(jiān)督表示學(xué)習(xí)，以及此前我們一直關(guān)注研究的度量學(xué)習(xí)（或者說監(jiān)督表示學(xué)習(xí)）。

第三，在本文中，雖然 XBM 在所有的 pair－based 的方法都有提升，但是明顯在對比損失（Contrastive Loss）上提升最大，具體原因待考。另外，我們也把在無監(jiān)督表示上表現(xiàn)很好的 infoNCE 方法用到了深度度量學(xué)習(xí)，但效果并不顯著。作者認(rèn)為這兩個(gè)問題的答案是同一個(gè)，且有值得深究的價(jià)值，希望在后續(xù)研究中進(jìn)行進(jìn)一步跟進(jìn)探索。

關(guān)于我“門”▼

將門是一家以專注于發(fā)掘、加速及投資技術(shù)驅(qū)動(dòng)型創(chuàng)業(yè)公司的新型創(chuàng)投機(jī)構(gòu)，旗下涵蓋將門創(chuàng)新服務(wù)、將門技術(shù)社群以及將門創(chuàng)投基金。將門成立于2015年底，創(chuàng)始團(tuán)隊(duì)由微軟創(chuàng)投在中國的創(chuàng)始團(tuán)隊(duì)原班人馬構(gòu)建而成，曾為微軟優(yōu)選和深度孵化了126家創(chuàng)新的技術(shù)型創(chuàng)業(yè)公司。

將門創(chuàng)新服務(wù)專注于使創(chuàng)新的技術(shù)落地于真正的應(yīng)用場景，激活和實(shí)現(xiàn)全新的商業(yè)價(jià)值，服務(wù)于行業(yè)領(lǐng)先企業(yè)和技術(shù)創(chuàng)新型創(chuàng)業(yè)公司。

將門技術(shù)社群專注于幫助技術(shù)創(chuàng)新型的創(chuàng)業(yè)公司提供來自產(chǎn)、學(xué)、研、創(chuàng)領(lǐng)域的核心技術(shù)專家的技術(shù)分享和學(xué)習(xí)內(nèi)容，使創(chuàng)新成為持續(xù)的核心競爭力。

將門創(chuàng)投基金專注于投資通過技術(shù)創(chuàng)新激活商業(yè)場景，實(shí)現(xiàn)商業(yè)價(jià)值的初創(chuàng)企業(yè)，關(guān)注技術(shù)領(lǐng)域包括機(jī)器智能、物聯(lián)網(wǎng)、自然人機(jī)交互、企業(yè)計(jì)算。在近四年的時(shí)間里，將門創(chuàng)投基金已經(jīng)投資了包括量化派、碼隆科技、禾賽科技、寬拓科技、杉數(shù)科技、迪英加科技等數(shù)十家具有高成長潛力的技術(shù)型創(chuàng)業(yè)公司。