论文题目:Deep Metric Learning with Angular Loss(来源:ICCV2017)
面临的问题:
- 深度度量学习方法经典的Loss函数类型为contrastive loss 和 triplet loss,它们都是基于距离的目标函数,需要像 multi-task learning 或 hard negative mining 等 tricks,而且距离度量对尺度变化很敏感。
解决方案:
- 提出使用 angular loss的度量学习方法。由于角度是旋转和尺度不变的度量,使得目标函数对真实数据中特征图的变化具有更强的鲁棒性。
- angular loss 形象说明:
(a)为一个 triplet example, x n \mathbf{x}_n xn为。triplet constraint 使得 ∥ e a p ∥ + m ≤ ∥ e p n ∥ \left\|\mathbf{e}_{a p}\right\|+m \leq\left\|\mathbf{e}_{p n}\right\| ∥eap∥+m≤∥epn∥,由正弦定理可得 ∠ n ≤ min ( ∠ a , ∠ p ) \angle n \leq \min (\angle a, \angle p) ∠n≤min(∠a,∠p),即 ∠ n ≤ α < 6 0 ∘ \angle n \leq \alpha < 60^{\circ} ∠n≤α<60∘。为了防止在训练过程中 X n ′ \mathbf{X}_{n}^{\prime} Xn′ 靠近 X a \mathbf{X}_{a} Xa 使得 e a n \mathbf{e}_{an} ean 减小,构建了一个直角三角形 △ m c n \triangle_{m c n} △mcn 如图(b)。这样当 ∠ n ′ \angle n ^{\prime} ∠n′减小时, X n \mathbf{X}_{n}