circle loss在实际应用中,是非常强力的。在诸如行人reid、车辆reid、人脸识别、通用细粒度检索的超大(业务)规模数据集上,它的表现是很不错的。对于circle loss的理解,可以把它看成是triplet loss+softmax ce loss形式的统一,但更大的贡献应该是巧妙地带来了多标签分类中正负样本的平衡。以下是截图自作者自己在知乎的解释:
以下是来自https://kexue.fm/archives/7359#%E7%BB%9F%E4%B8%80%E7%9A%84loss%E5%BD%A2%E5%BC%8F 的解释:
下面可以看作一个对circle loss更加巧妙的应用来增强句子相似度的问题(原始句子,相似句子,不相似句子):
Circle Loss解读:将softmax+交叉熵推广到多标签分类上
于 2023-05-26 21:11:12 首次发布