度量学习DML之Triplet Loss

度量学习DML之Contrastive Loss及其变种_程大海的博客-CSDN博客

度量学习DML之Triplet Loss_程大海的博客-CSDN博客

度量学习DML之Lifted Structure Loss_程大海的博客-CSDN博客

度量学习DML之Circle Loss_程大海的博客-CSDN博客

度量学习DML之Cross-Batch Memory_程大海的博客-CSDN博客

度量学习DML之MoCO_程大海的博客-CSDN博客

数据增强之SpecAugment_程大海的博客-CSDN博客

数据增强之MixUp_程大海的博客-CSDN博客

 基于pytorch-metric-learning实现的度量学习模板代码：pytorch-metric-learning-template   

---

度量学习的目标：

1. 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
2. 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

Triplet Loss（三元组损失）

        论文：《FaceNet：A Unified Embedding for Face Recognition and Clustering》

         三元组损失顾名思义，一次输入的样本数量有三个：

        Anchor：随机选择一个样本，假设所属的类别为A

        Positive：在所有类别为A的训练样本中，选择一个正样本

        Negative：在其余类别中选择一个训练样本作为负样本

        优化目标：在特征向量空间中，与之间的距离要小于与之间的距离，并且距离的差值还要满足限制条件

        通过上图可以看到，期初在向量空间中，Anchor与Negative的距离比Anchor与Positive的距离近，通过学习优化之后，Anchor与Negative的距离比Anchor与Positive的距离远，函数表示形式如下：

        一组三元组样本的损失表示如下：

        三元组整体损失函数表示如下：

        对于min-batch中的样本，Triplet Loss一次也只是使用一个anchor，一个positive和一个negative。

参考：深度度量学习－论文简评 - 知乎

参考：深度度量学习中的损失函数 - 知乎

参考：GitHub - KevinMusgrave/pytorch-metric-learning: The easiest way to use deep metric learning in your application. Modular, flexible, and extensible. Written in PyTorch.​​​​​​​ 参考：PyTorch Metric Learning