CircleLoss

最新推荐文章于 2024-04-19 09:38:45 发布
最新推荐文章于 2024-04-19 09:38:45 发布
阅读量1.9k 收藏 7
点赞数 2
CC 4.0 BY-SA版权
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.youkuaiyun.com/qq_38973721/article/details/113405386
CircleLoss是旷视研究院提出的一种损失函数，它统一了分类学习和样本对学习，融合了SoftMaxLoss和TripletLoss。通过优化相似度对，CircleLoss提高了特征的鉴别能力，在人脸识别等领域取得优秀表现。其决策边界由直线变为弧形，增加了优化的灵活性和明确的收敛目标。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

什么是CircleLoss
  • CircleLoss来源于旷视研究院《Circle Loss: A Unified Perspective of Pair Similarity Optimization》
  • 论文链接地址：https://arxiv.org/abs/2002.10857
  • CircleLoss是从相似性优化的角度，正式统一了两种基本学习范式（分类学习和样本对学习）下的损失函数
  • 通过进一步泛化，CircleLoss获得了更灵活的优化途径及更明确的收敛目标，提高了所学特征的鉴别能力
  • CircleLoss在人脸识别、行人再识别、细粒度图像检索等数据集上取得了极具竞争力的表现
从上述，我们不难发现，CircleLoss就是将分类学习和样本对学习进行了综合，那么什么是分类学习，什么是样本对学习呢
  • SoftMaxLoss—>A-SoftMaxLoss—>AM-SoftMaxLoss—>Arc-SoftMaxLoss
  • CenterLoss
  • TripletLoss
对于上面的损失函数，我们对其进行重新定义：
  • SoftMax及其变体、CenterLoss+SoftMax使用的是:图片
了解本专栏 订阅专栏 解锁全文 超级会员免费看
CircleLoss测试
jacke121的专栏
06-10 3947
训练时，把标签转为相似度， 预测时，给两个label的相似度，然后预测两个label的相似度， import os import torch from torch import nn, Tensor from torch.optim import SGD from torch.utils.data import DataLoader from torchvision.datasets import MNIST from torchvision.transforms import ToTenso...
Circle Loss: A Unified Perspective of Pair Similarity Optimization简要阅读笔记
dailleson的博客
09-01 1006
Circle Loss: A Unified Perspective of Pair Similarity Optimization阅读笔记 1.背景 常见的分类损失函数可以概括为减小类内距离sns_nsn​，增大类间距离sps_psp​。优化目标如下： min(sn−sp) min(s_n-s_p)min(sn​−sp​) 2.存在的问题 优化不够灵活。 优化目标对sns_nsn​和sps_psp​的惩罚作用是相等的，二者的系数都为1。 例如{sn,sp}={01.,0.5}\{s_n,s_p\}=\{
Circle loss
qq_35632035的博客
01-30 6560
Circle loss 主要有以下亮点可以做相关的详细描述。 首先第一点circle loss是基于triplet loss，改进而来的一种新型的loss定义。它的改进点在于，原本triplet loss对于正负样本采用平均用力的方式进行优化。使得在模型收敛的时候，对于正负样本的区分力度不够。Circle loss 在正负样本对加入了一个权重，控制正负样本对各自的梯度贡献，最后就可以得到一个更有区分力度的模型。 随后第二点，circle loss 在实现的过程中，同样借鉴了arc fac...
Circle Loss
dbdxwyl的博客
11-18 3268
1.三元组损失定义 F. Schroff, D. Kalenichenko, and J. Philbin. FaceNet: A Unified Embedding for Face Recognition and Clustering. In CVPR, 2015. 其中xa指anchor样本，xp为anchor的正样本，xn为anchor的负样本，α为正常数。 困难（N<P）,一般（P>N && Loss>0）,简单（P>N &&.
度量学习DML之Circle Loss
胖胖大海的博客
12-26 7055
度量学习的目标： 相似的或者属于同一类的样本提取到的embedding向量之间具有更高的相似度，或者具有更小的空间距离 对于out-of samples的样本，也就是未见过的样本，希望也能提取到有效的embedding，也就是模型的泛化能力更好 Circle Loss 论文：《Circle Loss: A Unified Perspective of Pair Similarity Optimization》 参考：Circle Loss 感想 - 知乎 参考：如何理解与看待在cvpr2020
人脸识别Loss：Circle Loss
u013250861的博客
06-15 515
人脸识别的关键是在最大化类内相似度的同时，最小化类间的相似度，如果以 [公式] 为类内相似度，以 [公式] 为类间相似度的话，那么人脸识别的目标可以简化为最小化[公式] 。作者用[公式] 总结归纳了人脸识别的目标，这个看起来显然的目标在Circle Loss之前，分了两类。一类是基于对的Loss，以Triplet为代表，Triplet的目标是 [公式] 。基于对的Loss在表现形式上和目标的形式很接近。参考资料： 人脸识别Loss：Circle Loss......
Circle-Loss:Tensorflow2实现CircleLoss。支持类级，稀疏类级，成对标签
03-21
tf2环损工具 的非官方Tensorflow2实现 本文的解释记录在 添加论文 本文的解释记录在 支持班级标签 支持稀疏的类级别标签 支持成对标签 经过实验验证 用法 from circle_loss import SparseCircleLoss , CircleLoss , PairCircleLoss # General usage model . compile ( loss = CircleLoss ( gamma = 64 , margin = 0.25 ), optimizer = k . optimizers . Adam (), metrics = [ k . metrics . CategoricalAccuracy ( 'acc' )]) # For Sparse Categorical such as face recogniti
default_CircleLoss_源码
10-01
《深度学习中的Circle Loss：一个源码解析》 在计算机视觉领域，深度学习技术已经被广泛应用，尤其是在图像识别、目标检测和人脸识别等任务中。而衡量模型性能的关键在于损失函数的选择，Circle Loss作为近年来提出...
【ReID】Circle Loss: A Unified Perspective of Pair Similarity Optimization
锥栗的博客
05-07 1244
Circle Loss: A Unified Perspective of Pair Similarity Optimization痛点模型1）统一Triplet和softmax的损失函数2）退化为Softmax loss3）退化为Triplet Loss4）对比Triplet/Softmax loss的梯度5）Circle Loss6）削减超参数7）对比Circle Loss的梯度实验写作问题参......
【亲测免费】 探索CircleLoss：一种优化深度学习分类的新损失函数
最新发布
gitblog_00011的博客
04-19 961
探索CircleLoss：一种优化深度学习分类的新损失函数 在机器学习领域，尤其是在深度学习中，损失函数的选择对于模型的性能有着至关重要的影响。本文将向您推荐一个创新的损失函数——，它旨在提高多类别的分类精度，并简化训练过程。 项目简介 CircleLoss是由TinyZeaMays团队提出的一种新的损失函数，其核心思想是通过构建一个带有距离惩罚的圆形决策边界来改进传统的二进制和多类别分类任务。相...
circle loss
qq_42316533的博客
10-16 1935
circle loss@学习笔记 #前两天看了circle loss这篇文章，在此做个笔记 circle loss论文下载地址 triplet loss、softmax loss最大化类内相似度Sn、最小化类间相似度Sp。这篇文章首先对两种基本的深度特征学习（类别标签学习和样本对标签学习）有统一的范式。 首先做个预定义：对于特征空间中的单个样本x，假设存在与x相关的K个类内相似度评分和L个类间相似度评分。将这些相似度评分分别表示为{sip}(i = 1,2，···，K)和{sjn}(j = 1,2，···，
Circle loss思想的简单分析理解：Circle Loss: A Unified Perspective of Pair Similarity Optimization
qq_34124009的博客
06-22 3379
Circle loss思想的简单分析理解 本文提出了一种基于深度特征学习的对相似度优化观点，旨在最大化类内相似度区间，最小化类间相似度序列。现有的损失函数像triplet loss和softmax plus cross-entropy loss，嵌入sns_nsn​和sps_psp​到对相似度，并且寻求减少sns_nsn​-sps_psp​。这种优化方法具有一定的灵活性，限制了每个单一相似度评分的惩罚强度相等。作者觉得如果一个相似度评分远远偏离最佳值，就应该强调它，所以简单的重新分配每个相似度的权重，突出较
Circle Loss：从统一的相似性对的优化角度进行深度特征学习 | CVPR 2020 Oral
晓飞的算法工程笔记
05-26 1328
论文提出了Circle loss，不仅能够对类内优化和类间优化进行单独地处理，还能根据不同的相似度值调整对应的梯度。总体而言，Circle loss更灵活，而且优化目标更明确，在多个实验上都有较好的表现，个人认为是一个很好的工作   来源：晓飞的算法工程笔记 公众号 论文: Circle Loss: A Unified Perspective of Pair Similarity Optimization 论文地址：https://arxiv.org/abs/2002.10857 Introduc.
旷视提Circle Loss，统一优化视角，革新深度特征学习范式 | CVPR 2020
AI科技大本营
03-27 4045
作者 | 旷视研究院本文是旷视 CVPR 2020的被收录论文解读第。它提出用于深度特征学习的Circle Loss，从相似性对优化角度正式统一了两种基...
[CVPR 2020] Circle Loss: A Unified Perspective of Pair Similarity Optimization论文笔记
weixin_41153216的博客
04-09 1493
文章目录Circle Loss1. 论文摘要2. 实现方法3. 实验结果3.1 Face Recognition3.2 Person ReID3.3 Fine-grained Image Retrieval Circle Loss 由旷视研究院孙奕帆发表于CVPR 2020 Oral，赞~~ 1. 论文摘要 （1）文章基于相似度优化层面对从class-level label和pair-wise l...
CVPR 2020 Oral 线上分享 | Circle Loss，从统一视角提升深度特征学习能力
旷视开发者技术社区
06-11 736
Circle Loss 在两种基本学习范式，三项特征学习任务（人脸识别，行人再识别，细粒度图像检索），十个数据集上都取得了极具竞争力的表现：在人脸上，采用分类模式，Circle Loss...
CVPR 2020 Oral | 旷视研究院提出Circle Loss，革新深度特征学习范式
旷视开发者技术社区
03-26 955
IEEE国际计算机视觉与模式识别会议 CVPR 2020 (IEEE Conference on Computer Vision and Pattern...
【论文简介】Circle Loss: A Unified Perspective of Pair Similarity Optimization
victorygod的专栏
07-20 896
Circle Loss: A Unified Perspective of Pair Similarity Optimization 旷世cvpr2020的一篇文章，站在更高的视角，统一了deep feature learning的两大基础loss：基于class-level label的loss（如softmax + cross entropy）和基于pair-wise label的loss（如triplet loss），指出了这二者没有本质差异，都是在最小化类间相似度（记为Sn），最大化类内相似度（记
深度度量学习损失函数CircleLoss的源码解析
资源摘要信息:"default_CircleLoss_源码" CircleLoss是一种深度度量学习中的损失函数，首次被提出是在CVPR2020年的一篇口头报告文章中。深度度量学习旨在学习一个特征空间，使得同类样本的特征向量在该空间中彼此...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小鹏AI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值