Triplet Loss笔记

最新推荐文章于 2024-10-03 12:34:48 发布
最新推荐文章于 2024-10-03 12:34:48 发布
阅读量533 收藏
点赞数
文章标签： 机器学习 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lalalalan_/article/details/120550988
版权

在有监督学习中，一般都有固定数量的类别。通常我们可以用Softmax结合Cross Entropy Loss来做分类。

在监督学习中，会有变化数量的类别，这个时候我们可以用Triplet Loss来表征。

Triplet Loss需要有三个对象，一个anchor（基准），一个positive（正例），一个negative（负例）。Triplet Loss的目标是使具有相同label的样本在embedding空间尽可能地近，使不同label的样本尽可能地远。

Loss的具体计算方式为L = max(d_p + d_n +margin,0)。

根据d_p和d_n的距离，Triplet可以被分为三种类型：

  • Easy Triplet
  • Hard Triplet
  • Semi-hard Triplet

采样Triplet的方法有两种：Offline Triplet Mining和Online Triplet M

最低0.47元/天 解锁文章
lalalalan_
关注
利用三元组tripletloss训练非人脸数据并实现分类
weixin_45798949的博客
05-20 2509
facenet源码 facenet精简版 参考博客 论文翻译 预训练模型下载 密码：12mh 1.训练自己的数据 先把我们所用到的代码说一下，主要是train_tripletloss和classifier 首先我们需要准备好数据集，这个数据集要求的尺寸是160*160，可以是非人脸数据，然后放到指定的文件夹，将主要的修改代码的位置贴出来： 一般来讲需要我们做的就是修改自己的路径问题，看train_tripletloss部分代码中的相应注释： def parse_arguments(argv): pa
论文阅读31 | Unified Batch All Triplet Loss for Visible-Infrared Person Re-identification
滨哥v5的博客
07-27 1065
考虑全部样本的三元组损失、考虑全部样本的异质中心损失、余弦ID损失
【AI知识点】三元组损失（Triplet Loss）
最新发布
虾米记的博客
10-03 1170
三元组损失是一种有效的损失函数，用于模型在向量空间中学习区分相似和不相似样本的能力。通过最小化正样本与锚点样本的距离，最大化负样本与锚点样本的距离，三元组损失能够很好地应用于图像检索、人脸识别、文本匹配等任务。虽然三元组损失能够有效地帮助模型学习，但其在样本选择和计算开销方面也有一定的挑战。
Unified Batch All Triplet Loss for Visible-Infrared Person Re-identification
tt_sunshine的博客
10-05 828
损失函数
文献扩展 —— 1. Triplet Loss and Online Triplet Mining in TensorFlow
老程的技术笔记
10-01 618
测试写在 model/tests/test_triplet_loss.py 中，并将我们的 TensorFlow 实现的结果与一个简单的 numpy 实现的结果进行比较。第二件要注意的是，如果任何元素正好是 0.0（例如对角线应该总是 0.0），因为平方根的导数在 0 中是无限的，我们将有一个 nan 梯度。在线三元组挖掘是在 Facenet 中引入的，Brandon Amos 在他的博客文章 OpenFace 0.2.0：更高的准确性和减半的执行时间中对此进行了很好的描述。因此，它的效率要高得多。
回顾理解Triplet-loss
golfbears的博客
10-22 1670
用三国人物刘关张和诸葛亮的关系来类比一下APN三个兄弟和三种loss 标准
损失函数 center_loss triplet loss
YLH9604的专栏
07-04 4304
A Discriminative Feature Learning Approach for Deep Face Recognition 原理及在caffe实验复现 图像特征提取系列之ＰＣＡ center loss代码注释(caffe新添加层) TensorFlow实现center loss
Deep Metric Learning with Hierarchical Triplet Loss 阅读笔记
gzw110605110的博客
05-14 1520
创新点和动机 文章提出了 hierarchical triplet loss (HTL) 方法，该方法主要通过定义一个编码上下文信息的树来收集信息样本，改进了在 mini-batch 中随机取样导致的陷入局部最优和收敛速度慢等问题。 解决方法 给定使用传统 triplet loss 预训练的神经网络 ϕt(⋅,θ)(∈Rd)\phi_{t}(\cdot, \boldsymbol{\theta})\...
【论文笔记】In Defense of the Triplet Loss for Person Re-Identification
迷川浩浩的博客
11-01 1万+
1、前言Triplet loss是非常常用的一种deep metric learning方法，在图像检索领域有非常广泛的应用，比如人脸识别、行人重识别、商品检索等。传统的triplet loss训练需要一个三元组，包括三张图片：achor,positive,negative，分别简写为a,p,n。==Triplet loss的缺点在于随机从训练集中挑选出三张图片，那么可能会出现挑选出来的很可能是简单
Re-ID阅读笔记（二）：《In Defense of the Triplet Loss for Person Re-Identification》
LJW的博客
04-06 1070
水平有限，疏漏之处在所难免，欢迎大家批评指正 论文作者:Alexander Hermans（亚琛工业大学） 论文链接：《In Defense of the Triplet Loss for Person Re-Identification》 一.前言 这篇论文提出的hard triplet loss主要贡献了一种困难三元组采样的方式，在Re-ID各个数据集中取得很极佳的效果。有些研究人员基...
机器学习笔记 - 使用具有triplet loss的孪生网络进行图像相似度估计
学以致用 知行合一
09-05 686
孪生网络是一种网络架构，包含两个或多个相同的子网络，用于为每个输入生成特征向量并进行比较。 孪生网络可以应用于不同的场景，例如检测重复项、发现异常和人脸识别。 此示例使用具有三个相同子网的孪生网络。我们将向模型提供三张图像，其中两张是相似的（锚点和正样本），第三张是不相关的（负样本）。我们的目标是让模型学习估计图像之间的相似性。 为了让网络学习，我们使用triplet loss损失函数。可以在下面的FaceNet论文中找到有关triple
Triplet Loss 和 Center Loss详解和pytorch实现
weixin_40671425的博客
08-01 3万+
最近在学习ReID相关的算法，为了提高ReID的性能通常会采用softmax loss 联合 Triplet Loss和Center Loss来提高算法的性能。 本文对Triplet Loss和Cnetr Loss做一个总结，以简洁的方式帮助理解。 Triplet Loss和Center Loss都是从人脸识别领域里面提出来的，后面在各种图像检索任务中被广泛应用。 想要了解Triplet L...
读《Gaitset: Regarding gait as a set for cross-view gait recognition》
weixin_40459958的博客
10-19 222
现有的步态识别方法要么利用步态模板，难以保存时间信息，要么利用保持不必要的顺序约束的步态序列，从而失去步态识别的灵活性。在本文中，我们提出了一种新的视角，利用步态作为深度集，这意味着一组步态帧由全局局部融合深度网络集成，其灵感来自于我们的左右半球处理信息来学习可用于识别的信息。基于这个深度集视角，我们的方法不受帧排列的影响，可以自然地整合在不同场景下获得的不同视频的帧，如不同的视角、不同的衣服或不同的物品承载条件。
Triplet-Loss原理及其实现、应用
热门推荐
莫失莫忘的博客
10-30 11万+
本文个人博客地址： 点击查看 欢迎下面留言交流 一、 Triplet loss 1、介绍 Triplet loss最初是在 FaceNet: A Unified Embedding for Face Recognition and Clustering 论文中提出的，可以学到较好的人脸的embedding 为什么不适用 softmax函数呢，softmax最终的类别数是确定的，而Triple...
度量学习（Metric learning、损失函数、triplet、三元组损失、fastreid）
TigerZ*的博客
07-30 1万+
定义 Metric learning 是学习一个度量相似度的距离函数:相似的目标离得近,不相似的离得远. 一般来说,DML包含三个部分，如下图.。 1）特征提取网络：map embedding 2）采样策略：将一个mini-batch里的样本组合成很多个sub-set 3）loss function：在每个sub-set上计算loss. 应用场景 通常是在个体级别的细粒度识别上使用，传统的分类是花鸟狗的大类别的识别，但是有些需求...
Pytorch_学习笔记
Ah丶Weii
08-29 491
1.BP算法和（SGD）优化算法的关系： bp算法就是通过误差反过来修正权值矩阵，而修正过程就是用的梯度下降法，这个修正过程用到的算法也就是优化算法。 求导只是求出loss function和对应权重的偏导数，得到偏导数以后可以根据不同的优化策略选择优化的方向，比如SGD，Momentum或者AdaGrad优化器。 所有梯度的偏导就是对应着梯度。 注：优化器和损失函数不是一个性质。例如损失函数to...
三元组损失tripletloss
mos1896的博客
11-02 1万+
先验知识 题外话（来自网络）： （最近，learning to rank 的思想逐渐被应用到很多领域，比如google用来做人脸识别（faceNet），微软Jingdong Wang 用来做 person-reid 等等。learning to rank中其中重要的一个步骤就是找到一个好的similarity function，而triplet loss是用的非常广泛的一种。） 对于输入x，经过网络A后得到f(x) 相当于从特征x映射到特征空间R1 在R1中，我们可以比较两个特征向量f(x1)和f(x2)之
DL知识拾贝（Pytorch）(三)：DL元素之二：损失函数
贝壳er的博客
01-16 1118
       这一系列的学习笔记是基于李沐等人的开源书《动手学深度学习》总结和扩展而来。感谢Pytorch版项目原作者：项目地址。        个人梳理了一下学习路线，并在知识体系中扩展了一些其他的东西，例如：讨论损失函数； 图卷积网络 ； 对抗生成网络； 注意力机制；模型压缩； 轻量化网络等等。   ...
深度学习方法（十九）：一文理解Contrastive Loss，Triplet Loss，Focal Loss
Bin 的专栏
03-08 2万+
我们平时ML任务的时候，用的最多的是cross entropy loss或者MSE loss。需要有一个明确的目标，比如一个具体的数值或者是一个具体的分类类别。但是ranking loss实际上是一种metric learning,他们学习的相对距离，相关关系，而对具体数值不是很关心。ranking loss 有非常多的叫法，但是他们的公式实际上非常一致的。大概有两类，一类是输入pair 对，另外一种是输入三元组结构。
triplet loss
06-04
Triplet Loss是一种损失函数，主要用于训练神经网络进行人脸识别、图像检索等任务。它的目标是将同类别的样本间的距离缩小，将不同类别的样本间的距离放大。通俗来说，就是让同一类别的样本在嵌入向量空间中尽可能地...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值