“15分钟看顶会”是旷视研究院全新推出的论文快速解读专栏，聚焦旷视在全球各大顶会、期刊等平台所发表的工作，覆盖深度学习、计算机视觉、视觉导航与控制、计算摄影学、大规模机器学习系统、机器人学等方向。
与传统论文视频解读动辄30min时长不同，本专栏尽可能将时间控制在15分钟左右，以方便读者在日常通勤、等待、出行等时间受限的场景下高效利用碎片化时间进行学习、交流。
欢迎大家和我们一起“深度学习”，也欢迎对这种论文解读方式提出您的宝贵建议。
本期是“15分钟看顶会”专栏 ECCV 2020 论文解读系列的第六篇，旷视研究院通过在迁移学习领域进行创新，提出一种在归一化后的特征空间，通过迁移进行数据增强的方法，简单且有效。
- 论文题目：
Spherical Feature Transform for Deep Metric Learning
- 论文链接：
https://arxiv.org/abs/2008.01469 - 关键词：数据增强、迁移学习
传统来说，在特征空间内做迁移学习的方法，会假设不同类别的特征服从方差相同的高斯分布。如果定义特征的“偏移量”为特征向量与类别均值向量的差值，那么传统的迁移方法简单地把“偏移量”叠加到另一个类别的均值上。
本文发现，当特征被归一化后，即被约束到超球面上后，传统的迁移方法无论是基本假设还是迁移的方法都已经不成立。基于directional statistics，本文改进原有的“相同方差”假设为更符合球面分布特性的“相似方差”，进而提出了更适用的spherical feature transform，用于超球面上的特征迁移学习，且证明了传统的方法是本文提出方法的一种特例。
最后，本文还对所提出的迁移方法在人脸识别，度量学习等数据集上进行了大量的实验和分析，展现和证明了该方法的有效性。
专栏文章推荐
欢迎关注旷视研究院极术社区专栏，定期更新最新旷视研究院成果
加入旷视：career@megvii.com
