FDSML: apprendimento metrico supervisionato guidato da formule con perdita triplet sensibile ai parametri

Abstract degli autori

L’apprendimento supervisionato guidato da formule (FDSL) consente il pre-addestramento visivo senza immagini reali, ma i metodi esistenti impostano il pre-addestramento come un problema di classificazione basato su etichette discretizzate, trascurando la continuità del processo generativo. Proponiamo l’apprendimento metrico supervisionato guidato da formule (FDSML), che ricava una supervisione relazionale dai parametri di generazione delle immagini, andando oltre le etichette discrete delle classi. FDSML combina FineFractalDB, il nostro dataset frattale perfezionato, caratterizzato da una maggiore variazione intra-classe e da strutture più stabili, con una perdita triplet sensibile ai parametri (Parameter-Aware Triplet, PA-Triplet Loss), che assegna esempi positivi e negativi in base alle distanze nello spazio dei parametri del sistema di funzioni iterate sottostante. Questo obiettivo addestra gli embedding a rispettare ordinamenti relativi di similarità derivati dai parametri. Gli esperimenti mostrano che FDSML migliora la trasferibilità al recupero di immagini, mantenendo prestazioni competitive nella classificazione a valle e migliorando la robustezza in diverse condizioni di corruzione. Con ResNet-50, Recall@1 passa dal 65,6% al 74,0% su Stanford Online Products e dal 56,2% al 78,4% su Stanford Cars rispetto al pre-addestramento FDSL. Questi risultati suggeriscono che la supervisione relazionale derivata dai parametri fornisce un segnale sintetico di pre-addestramento più efficace della classificazione basata su etichette per il trasferimento oltre il riconoscimento.