无需真实图像预训练：FDSML 让图像检索 Recall@1 提升 22.2 点

HirokatuKataoka · x · 2026-10-31

论文 FDSML 被接收为 WACV 2027 论文，提出公式驱动的监督度量学习：利用 FractalDB 生成参数作为监督信号，把传统基于分类的合成数据预训练扩展为度量学习。方法包含精炼的分形数据集 FineFractalDB 与参数感知三元组损失（PA-Triplet Loss），在迭代函数系统参数空间中按距离分配正负样本，保留生成过程的连续性。无需真实图像预训练，ResNet-50 上 Stanford Online Products 的 Recall@1 从 65.6% 升至 74.0%，Stanford Cars 从 56.2% 升至 78.4%，下游分类保持竞争力并提升鲁棒性。