论文笔记（2019.3.18-2019.3.24）

论文题目：Deep Metric Learning with Angular Loss（来源：ICCV2017）

面临的问题：

1. 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：

1. 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。
2. angular loss 形象说明：
   

(a)为一个 triplet example，${\mathbf{x}}_n$为。triplet constraint 使得 $\Vert {\mathbf{e}}_{ap}\Vert +m\le \Vert {\mathbf{e}}_{pn}\Vert$，由正弦定理可得 $\angle n\le \min (\angle a,\angle p)$，即$\angle n\le \alpha <60^{\circ }$。为了防止在训练过程中 ${\mathbf{X}}_n^{\prime }$ 靠近 ${\mathbf{X}}_a$ 使得 ${\mathbf{e}}_{an}$ 减小，构建了一个直角三角形 ${△}_{mcn}$ 如图(b)。这样当$\angle n^{\prime }$减小时， X n \mathbf{X}_{n}