对Center loss的理解

        在常见的目标、场景、或动作识别中，测试样本的类别包含在训练集中，这就是常说的闭集鉴定。这对softmax来说游刃有余，就像现行分类一样。然而在人脸识别领域却会出现问题，因为地球上有60亿人，模型所用训练集很难囊括所有label，因此测试集中的新面孔特征球不应和已有的几百万个面孔特征球相重合；再加上特征球往往会出现类内距离大于类间距离因此为了将几十亿个特征球摆放在特征空间中，且具有明显的Discriminative特性，应使特征球具有较强的内聚性（由center loss来负责），而类间的可分性则由softmax loss来负责，由两者建立的联合损失函数来训练模型可以达到较好的效果。

       Intuitively, the softmax loss forces the deep features ofdifferent classes staying apart. The center loss efficiently pulls the deep featuresof the same class to their centers. With the joint supervision, not only the interclassfeatures differences are enlarged, but also the intra-class features variationsare reduced.