FDSML 论文被 WACV 2027 接收：分形参数做度量学习，Stanford Cars 检索提升 22.2pt
HirokatuKataoka · x · 2026-10-31
日本研究团队（Hirokatsu Kataoka 等，FractalDB 作者）提出 FDSML（Formula-Driven Supervised Metric Learning），被 WACV 2027 接收，论文已公开于 arXiv。
核心思路
- 将 FractalDB 的分形生成参数作为教师信号，把传统的「公式驱动分类预训练」扩展为度量学习（Metric Learning）；
- 提出 FineFractalDB：类内变化更高、结构更稳定；
- 设计 Parameter-Aware Triplet（PA-Triplet）Loss，在迭代函数系统（IFS）参数空间中按距离定义正负样本，让 embedding 尊重参数导出的相对相似度排序。
结果（ResNet-50，对比 FDSL 预训练）
- Stanford Online Products Recall@1：65.6% → 74.0%；
- Stanford Cars Recall@1：56.2% → 78.4%（+22.2pt）；
- 下游分类保持竞争力，并在多种 corruption 设定下更鲁棒。
结论：基于参数的关系监督比离散标签分类提供更强的合成数据预训练信号，尤其利于图像检索任务。全程不使用真实图像。
所属事件:日团队提出 FDSML，无需真实图像预训练提升图像检索(2 条相关)→
「研究」频道最新
- Chain of Thought 概念混淆:可解释与忠实是两回事 — rao2z · 2026-10-31
- Qwenputer：在 Qwen 权重里造出 RISC-V CPU，还能跑另一个 LLM — CatAstro_Piyush · 2026-10-31
- Claude 主导蛋白质设计:31.8万候选中筛出17个结合蝎毒 — jiqizhixin · 2026-10-31
- 斯坦福 CS 312 新课：作业不计分，测验全靠预测实验结果 — yen_chen_lin · 2026-10-31
- François Fleuret 发明 Transformer 注意力运算新记法 — francoisfleuret · 2026-10-31
- 周末观影：开源模型后训练智能体 2 小时讲座合集 — SergioPaniego · 2026-10-31