EET_loss针对传统Triplet-based约束的缺点，提出新的做法：1）确保同类别样本到同一负样本等距；2）最大化类间最小距离；3）保持正负样本等距；4）减小类内最大距离。通过这四个约束，EET_loss优化了深度学习中的相似度学习效果。
传统的Triplet-based约束的缺点：
如上左图中， x a x_a xa是锚点， x p 1 、 x p 2 x_p^1、x_p^2 xp1、xp2是正样本， x n 1 、 x n 2 x_n^1、x_n^2 xn1、xn2是负样本。存在这样一种情况， { x a , x p 1 , x n 1 } \{x_a,x_p^1,x_n^1\} {
xa,xp1,xn1}出现在一个batch中， { x a , x p 2 , x n 2 } \{x_a,x_p^2,x_n^2\} {
xa,xp2,xn2}出现在另一个batch中。在各自的batch里的，这几条数据满足Margin Constraint。但从全局的角度来看， { x a , x n 1 } \{x_a,x_n^1\} {
xa,xn1}之间的距离甚至要比 { x a , x p 2 } {\{x_a,x_p^2\}} {
xa,xp2}间的距离要近。
EET(Equidistant and Equidistributed Triplet-based) loss的做法
在Triplet-based Margin Constraint（公式如下）的约束的基础上,
L M C = 1 N ∑ a = 1 N [ d ( f a , f p ) − d ( f a
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
