损失函数：Center Loss

最新推荐文章于 2022-08-18 21:48:10 发布

u013250861

最新推荐文章于 2022-08-18 21:48:10 发布

阅读量168

点赞数

CC 4.0 BY-SA版权

分类专栏：计算机视觉/CV 文章标签：计算机视觉

本文链接：https://blog.youkuaiyun.com/u013250861/article/details/125305284

计算机视觉/CV 专栏收录该内容

50 篇文章

订阅专栏

这篇博文介绍了CenterLoss，一种用于深度人脸识别的损失函数，它来源于ECCV2016的论文。CenterLoss作为softmaxloss的补充，旨在改善不同类别特征之间的区分度，提高网络的识别性能。通过引入类中心的概念，使得训练得到的特征更加聚集，从而增强类别间的界限。文中提供了论文链接和实现代码，可供进一步研究。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最近几年网络效果的提升除了改变网络结构外，还有一群人在研究损失层的改进，这篇博文要介绍的就是较为新颖的center loss。center loss来自ECCV2016的一篇论文：A Discriminative Feature Learning Approach for Deep Face Recognition。
论文链接：http://ydwen.github.io/papers/WenECCV16.pdf
代码链接：https://github.com/pangyupo/mxnet_center_loss

对于常见的图像分类问题，我们常常用softmax loss来求损失，关于softmax loss你可以参考这篇博文：softmax，softmax-loss，BP的解释。如果你的损失采用softmax loss，那么最后各个类别学出来的特征分布大概如下图Fig2。这个图是以MNISTt数据集做的实验，一共10个类别，用不同的颜色表示。从Fig2可以看出不管是训练数据集还是测试数据集，都能看出比较清晰的类别界限。

参考资料：
损失函数改进之Center Loss
人脸表情识别之CenterLoss