本文概述了深度学习中损失函数的改进方法，包括L-Softmax Loss、Center Loss、Angular Softmax Loss（SphereFace）、Focal Loss和Additive Angular Margin Loss（ArcFace），并提供了详细的解读资源链接，旨在提升模型的分类效果和处理类别不平衡问题。
这篇博客主要列个引导表，简单介绍在深度学习算法中损失函数可以改进的方向，并给出详细介绍的博客链接，会不断补充。
1、Large Marge Softmax Loss
ICML2016提出的Large Marge Softmax Loss（L-softmax）通过在传统的softmax loss公式中添加参数m，加大了学习的难度，逼迫模型不断学习更具区分性的特征，从而使得类间距离更大，类内距离更小。核心内容可以看下图：
详细了解可以参看：损失函数改进之Large-Margin Softmax Loss
2、Center Loss
ECCV2016提出的center loss是通过将特征和特征中心的距离和softmax loss一同作为损失函数，使得类内距离更小，有点L1，L2正则化的意思。核心内容如下图所示：
最低0.47元/天 解锁文章
扫一扫
914
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
