Нечего надеть? Computer Vision в помощь

[pagin]

Мы решили экспериментировать дальше. Вытащили из обученной сети результирующие векторы по всем нашим изображениям, затем искали ближайшие векторы к картинке-запросу.

Правильно ли я понимаю, что вы взяли вектора с предпоследнего слоя классифицирующей сети? Использовали какие-то доп лоссы - sphere-loss или cosine-loss для компактного сбора векторов в гиперпространстве?

[TezRomacH]

Все так, вектора взяли с предпоследнего. В качестве лосса был ArcFace, но на удивление обычный CrossEntropyLoss тоже давал хорошие результаты, но с условием если искать ближайшие не по косинусу, а по L2

[pagin]

Попробуйте добавить center_loss - он без перевода в сферические координаты. Должно дать значимый буст в точности работы. Всё таки метрик лернинг на чистом CE не совсем ту задачу решает. Линейное разделение не гарантирует скученность векторов

[IamSVP]

Доклад супер крутой! Но почему не приложили видео с ютюба?!

[TezRomacH]

В статье сильно подробнее расписано обо всем. Плюс текст поправили.

Но если интересно, то вот видео с датафеста – https://youtu.be/_YHa7zIAr_c
+ видео про MLops у нас – https://youtu.be/hAeqV8LPXZs