COCO Loss

2017NIPS： 《Rethinking Feature Discrimination and Polymerization for Large-scale Recognition》

Github项目主页： https://github.com/sciencefans/coco_loss

文章方法简称 congenerous cosine loss, “COCO Loss”，其目的同样是：

• 拉近同类样本的特征（类内方差小）
• 拉远不同分类样本的特征（类间方差大）

相较于早些时间的Center Loss, COCO Loss 的效果更好，同时计算复杂度上也有所降低。

1. 方法介绍

下面直接介绍该Loss的实际计算流程：

(1) 输入特征与中心特征归一化

\(\hat {f^{(i)}}=\frac{\alpha f^{(i)}}{|f^{(i)}|}\)

\(\hat c_k=\frac{c_k}{|c_k|}\)

其中， \(c_k\) 为第 \(k\) 类目标的特征中心，是可以学习的，总共有 \(K\)类。 \(f^{(i)}\) 表示输入特征，\(i=1,…,N\)，即batch size为 \(N\)。 此外， \(\alpha\) 是一个对性能有重要影响的可调节参数，后面会介绍。

(2) 计算输入特征与每个特征中心的Cos距离

Cos距离的定义为