qq_41983690的博客

主要观点提出基于高斯分布的损失函数，以处理类内不确定性问题高斯均值相当于类中心，不确定性用方差描述类似于类间margin，提出类内margin原理阐述类样本不平衡会导致极坐标下的类分类变得困难L-GM Loss:LL−GM=−1N∑i=1Nlog⁡e−dzi(1+α)∑mMe−dm(1+R(m=zi)α)+λ(dzi+12log⁡∣Λzi∣)\begin{aligned}\mathcal{L}_{L-G M}=&-\frac{1}{N} \sum_{i=1}^{N} \log

主要观点Softmax具有如下缺点：类间距离甚至会小于类内距离；对特征向量和权重向量的幅值不具有鲁棒性；不适合处理类样本不均衡的任务；没有拒绝错误样本的能力，该样本的标签没有被训练过；在极坐标下，难以添加margin；softmax函数esi/∑iesk{e^{s_{i}} / \sum_{i}^{e^{s} k}}esi​/∑iesk​的比值不是保持不变的，特征向量和权重向量会变得越来越大；提出intra-concentration and inter-separability l

项目地址：CircleLoss主要观点重新计算每个相似度的权重，以突出优化程度较低的相似度得分；因此提出circle loss，由于决策边界为circle，故为circle loss；对class-level label和pair-wise label进行统一；原理阐述1比1识别任务应该是减少类间相似度sns_nsn​，增大类内相似度sps_psp​，但是现有的loss在反向传播时，对sns_nsn​与sps_psp​的梯度更新是一致的。这就导致某些点无法得到很好的更新，比如sns_nsn​与