CS-Softmax：一种基于余弦相似性的Softmax损失函

摘 要 卷积神经网络分类框架广泛使用了基于Softmax函数的交叉熵损失(Softmax损失函数)，在很多领域中都取得了良好的性能.但是由于Softmax损失函数并不鼓励增大类内紧凑性和类间分离性，在一些多分类问题中，卷积神经网络学习到的判别性嵌入表示的性能难以进一步提高.为了增强嵌入表示的判别性，提出了一种基于余弦相似性的Softmax(cosine similarity-based Softmax, CS-Softmax)损失函数.CS-Softmax损失函数在不改变神经网络结构的条件下，分别计算嵌入表示与分类全连接层权重的正相似性和负相似性，以实现同类紧凑和异类分离的训练目标.理论分析表明：边距因子、尺度因子、权重更新因子等参数的引入，可以调节各类别决策边距的大小，增大类内紧凑性、类间分离性，增强学习到的嵌入表示的判别性.在典型的音频、图像数据集上的仿真实验结果表明：CS-Softmax损失函数在不增加计算复杂度的同时，可以有效提升多分类任务性能，在MNIST，CIFAR10，CIFAR100图像分类任务中分别取得了99.81%，95.46%，76.46%的分类精度.

关键词 模式分类；卷积神经网络；损失函数；Softmax；余弦相似性

卷积神经网络(convolutional neural networks， CNNs)能够准确建模高维嵌入表示参数的局部分布，被广泛应用于许多视觉与听觉分类任务中，如声学场景分类[1-3]、物体识别和分割[4-10]、人脸验证[11]、手写字符识别[12]等.然而在一些多分类问题中，由于不同类别的样本间存在较强相似性，CNNs分类框架的性能还不能令人满意[13].近年来，研究人员分别针对CNNs分类框架中的嵌入表示学习和分类2个