出处:ICML 2016
论文:http://proceedings.mlr.press/v48/liud16.pdf
代码:https://github.com/luoyetx/mx-lsoftmax
摘要:
交叉熵损失与softmax一起可以说是卷积神经网络(CNN)中最常用的监督组件之一。 尽管该组件具有简单性,流行性和出色的性能,但并未明确鼓励对功能进行辨别性学习。 本文提出了一个广义的large-margin softmax(L-Softmax)损失,它鼓励了学习特征之间的类内紧凑性和类间可分离性。此外,L-Softmax不仅可以调整所需的余量,还可以避免过拟合。L-Softmax还可以通过典型的随机梯度下降来优化,显着提高了各种视觉分类和验证任务的性能。
1 简介
最近学习具有更强大特征的趋势是通过更具辨别力的信息来强化CNN。 直观地说,如果它们的类内紧凑性和类间可分离性同时最大化,则学习的特征是好的。受这种想法的启发,提出了contrastive loss 和 triplet loss,以实现额外的类内紧凑性和类间可分离性。但是,训练样本对和三元组的数量可以达到O(N2),对于大规模训练样本来选择好的训练对就成了很大的问题。
对于Large-Margin Softmax Loss的效果,先直观感受一下结果,后续再来分析:
![](https://i-blog.csdnimg.cn/blog_migrate/ee8dc796eea54f7fa8bc2bd8c0a37a53.png)
2 相关工作
contrastive loss:需要给CNN输入一个样本对,如果是属于同一类别,要求它们直接的特征相近。反之则需要留较大的距离。
triplet loss:输入三元组样本,最小化 anchor 和 positive 样本的距离,最大化 anchor 和 negative 样本的距离
original softmax loss:
L = 1 N ∑ i L i = 1 N ∑ i − l o g ( e f y i ∑ j e f j ) L=\frac{
{1}}{
{N}}\sum\limits_{i} L{_{i}}=\frac{
{1}}{
{N}}\sum\limits_{i} {-log\left( {\frac{
{e^{f_{y_{i}}}}}{
{\sum\nolimits_{j} {e^{f_{j}}}}}} \right)} L=N1i∑Li=N1i∑−log(∑je