arXiv · 机器人与计算机视觉· Bill Psomas, Mohammad Mahdi, Michalis Thomas, Danda Pani Paudel, Giorgos Tolias, Giorgos Kordopatis-Zilos·· 2026-10-08AI 评分45
gSAP:首个可替代 InfoNCE 的全局平均精度表示学习损失函数
Global Average Precision for Representation Learning
AI 导读
研究提出 gSAP,一种仅需相似度矩阵与正样本标记即可替换现有损失的微分代理目标。该损失在批次内联合优化所有成对比较,解决了单阈值系统跨查询可比性问题,且在低温下保持可训练性。实验显示其检索到的正样本对最多为最强 AP 代理的 4 倍,并显著提升了迁移、kNN 及零样本分类准确率。
来源:arXiv · 机器人与计算机视觉 · arxiv.org