论文笔记（2019.3.18-2019.3.24）

最新推荐文章于 2021-01-14 10:58:32 发布

原创

最新推荐文章于 2021-01-14 10:58:32 发布 · 526 阅读

1 ·

CC 4.0 BY-SA版权

该博客讨论了深度度量学习中面临的问题，如contrastive loss和triplet loss的距离度量敏感性，并介绍了ICCV2017论文中提出的angular loss作为解决方案。angular loss通过角度来衡量，对特征图的变化更具鲁棒性，改善了尺度变化问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文题目：Deep Metric Learning with Angular Loss（来源：ICCV2017）

面临的问题：

深度度量学习方法经典的Loss函数类型为contrastive loss 和 triplet loss，它们都是基于距离的目标函数，需要像 multi-task learning 或 hard negative mining 等 tricks，而且距离度量对尺度变化很敏感。

解决方案：

提出使用 angular loss的度量学习方法。由于角度是旋转和尺度不变的度量，使得目标函数对真实数据中特征图的变化具有更强的鲁棒性。
angular loss 形象说明：

(a)为一个 triplet example， $xn\mathbf{x}_n$ 为。triplet constraint 使得 $∥eap∥+m≤∥epn∥\left\|\mathbf{e}_{a p}\right\|+m \leq\left\|\mathbf{e}_{p n}\right\|$ ，由正弦定理可得 $∠n≤min⁡(∠a,∠p)\angle n \leq \min (\angle a, \angle p)$ ，即 $∠n≤α<60∘\angle n \leq \alpha < 60^{\circ}$ 。为了防止在训练过程中 $Xn′\mathbf{X}_{n}^{\prime}$ 靠近 $Xa\mathbf{X}_{a}$ 使得 $ean\mathbf{e}_{an}$ 减小，构建了一个直角三角形 $△mcn\triangle_{m c n}$ 如图(b)。这样当 $∠n′\angle n ^{\prime}$ 减小时， $Xn\mathbf{X}_{n}$