六、對比 SOTA

與最近的深度度量學習方法對比，我們在四個檢索數(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)絡結構，更大的輸出維度，或者更大的 mini－batch 來提升效果，強行 SOTA。我們列出 XBM 在 64 的 mini－batch 在不同的主干網(wǎng)絡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充材料，有更多實例說明效果�！�

八、總結與展望

第一，本文提出的 XBM 方法能夠記住過去的特征，使得模型的訓練不再僅僅依靠當前 mini－batch 的樣本，而是可以跨越時空進行樣本配對。從而用極小的代價，提供了巨量的樣本對，為 pair－based 的深度度量學習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傳統(tǒng)思路：加權和聚類，并且效果也更加簡單、直接，很好地解決了深度度量學習的痛點。

第二，其實 Memory 機制并不是本文原創(chuàng)，但是用 Memory 來做難例挖掘是一個全新的嘗試。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。本文的方法其實可以認為是 MoCo 在 ｍ＝0 的特例，Kaiming 通過動量更新 key encoder，可以直接控制住特征偏移。作者認為，這種方法還會在很多任務帶來提升，不局限于 Kaiming 的自監(jiān)督表示學習，以及此前我們一直關注研究的度量學習（或者說監(jiān)督表示學習）。

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習，但效果并不顯著。作者認為這兩個問題的答案是同一個，且有值得深究的價值，希望在后續(xù)研究中進行進一步跟進探索。

關于我“門”▼

將門是一家以專注于發(fā)掘、加速及投資技術驅動型創(chuàng)業(yè)公司的新型創(chuàng)投機構，旗下涵蓋將門創(chuàng)新服務、將門技術社群以及將門創(chuàng)投基金。將門成立于2015年底，創(chuàng)始團隊由微軟創(chuàng)投在中國的創(chuàng)始團隊原班人馬構建而成，曾為微軟優(yōu)選和深度孵化了126家創(chuàng)新的技術型創(chuàng)業(yè)公司。

將門創(chuàng)新服務專注于使創(chuàng)新的技術落地于真正的應用場景，激活和實現(xiàn)全新的商業(yè)價值，服務于行業(yè)領先企業(yè)和技術創(chuàng)新型創(chuàng)業(yè)公司。

將門技術社群專注于幫助技術創(chuàng)新型的創(chuàng)業(yè)公司提供來自產、學、研、創(chuàng)領域的核心技術專家的技術分享和學習內容，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創(chuàng)新激活商業(yè)場景，實現(xiàn)商業(yè)價值的初創(chuàng)企業(yè)，關注技術領域包括機器智能、物聯(lián)網(wǎng)、自然人機交互、企業(yè)計算。在近四年的時間里，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型創(chuàng)業(yè)公司。