Deep-Metric-Learning-Baselines

收录理由

训练图像嵌入用于检索或验证，核心往往在于选择损失函数和采样策略，并观察它们如何相互作用。这个仓库汇集了经典的深度度量学习损失，包括三元组损失、边际损失、ProxyNCA和N-pair损失，以及与之配套的采样方法，并在CUB-200、CARS196和Stanford Online Products等标准细粒度基准上进行了实验。代码刻意保持精简，一个训练脚本、一个损失模块和常用数据集的数据加载器，让你能直接追踪方法的实际实现，而不必在大型框架中摸索。对于需要干净基线进行对比的研究者，以及想理解PyTorch中度量学习如何搭建的学生，这都很有价值。需要坦诚的是，这是一个研究型代码库，而非持续维护的生产级库，作者也指向了包含完整评估套件的新仓库。