Loss(二)-2016：Center Loss【使得类内距离缩小，类间距离扩大，有效的将各个类别区分开】【在欧式空间中惩罚人脸特征与他们对应的类别中心的距离来达到增加类内紧凑性】

已于 2024-03-04 01:10:24 修改
阅读量599 收藏
点赞数
分类专栏： Loss/损失函数 # CV/图片识别 文章标签： 深度学习 人工智能 Center Loss
于 2022-08-22 21:18:17 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013250861/article/details/126473882
版权

ECCV2016的文章《A Discriminative Feature Learning Approach for Deep Face Recognition》 主要为了进一步区分人脸。

code：https://github.com/ydwen/caffe-face
无法上github的可以在这里下载：https://download.csdn.net/download/duan19920101/12178594
Center Loss的Caffe实现：https://github.com/BOBrown/SSD-Centerloss

Center Loss是通过将特征和特征中心的距离和softmax loss一同作为损失函数，使得类内距离更小，有点L1，L2正则化的意思。最关键是在训练时要使用2个Loss函数：Softmax Loss + lamda * Center Loss：

在这里插入图片描述

参考资料：
损失函数：Center Loss

u013250861
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
ros开发增加clion常用模板及初始化配置(二)
苏凯的博客
08-05 1156
定义model， 顺序模型 model = tf.keras.Sequential() # 新建一个顺序模型 添加模型的层,一个顺序模型可能由多个层组合在一起 model.add(Dense(xxx)) model.add(Sigmoid()) 编译模型，指定模型的参数和优化器,损失函数） model.compile(opt, loss） 训练模型 model.fit(X,y,训练轮数，batch_size) 模型预测 model(X) model.predict()
图像处理算法实战应用案例精讲-【目标检测】YOLO(附python代码实现)
qq_36130719的博客
12-08 2212
物体检测——顾名思义就是通过深度学习算法检测图像或视频中的物体。目标检测的目的是识别和定位场景中所有已知的目标。有了这种识别和定位，目标检测可以用来计数场景中的目标，确定和跟踪它们的精确位置，同时精确地标记它们。目标检测通常与图像识别相混淆，所以在我们继续之前，澄清它们之间的区别是重要的。图像识别为图像分配一个标签。狗的图片会被贴上“狗”的标签。两只狗的照片仍然会被贴上“狗”的标签。另一方面，对象检测在每只狗周围画一个盒子，并给这个盒子贴上“狗”的标签。模型预测每个对象在哪里以及应该应用什么标签。通过这种方
(center loss)A Discriminative Feature Learning Approach for Deep Face Recognition
chenaxin的博客
06-13 458
论文地址：http://dl.icdst.org/pdfs/files1/c8edf1770d6ac7f5415f8daef7fb9bce.pdf 代码：https://github.com/ydwen/caffe-face 摘要   卷积神经网络(CNNs)在计算机视觉领域得到了广泛的应用，极大地提高了最先进的技术水平。在现有的网络神经网络中，大部分使用softmax损失函数作为监督信号来训练深度模型。为了提高深度学习的特征的识别能力，本文提出了一种新的人脸识别监督信号，称为中心损失。具体来说，中心损失同
损失函数改进之Center Loss
博客
04-03 1631
最近几年网络效果的提升除了改变网络结构外，还有一群人在研究损失层的改进，这篇博文要介绍的就是较为新颖的center loss。center loss来自ECCV2016的一篇论文：A Discriminative Feature Learning Approach for Deep Face Recognition。 论文链接：http://ydwen.github.io/papers/WenEC...
中心损失和单中心损失
qq_47997535的博客
07-14 809
单中心损失和中心损失
人脸验证（四）--CenterLoss，损失函数改进原因
m0_37192554的博客
11-27 1775
转 人脸验证（四）--CenterLoss 2017年12月10日 11:44:31 EasonApp 阅读数：918 ...
【笔记】Center Loss : 减小类内距离，增加类间距，使用矩阵计算高维空间距离集大成者
nyist_yangguang的博客
11-14 3815
上面给的是mnist的最后一层特征在二维空间的一个分布情况，可以看到类间是可分的，但类内存在的差距还是比较大的，在某种程度上类内间距大于类间的间距。因为同一个人的类内变化很可能会大于类间的变化，只有保持类内紧凑，我们才能对那些类内大变化的样本有一个更加鲁棒的判定结果。因此这个公式就是希望一个batch中的每个样本的feature离feature 的中心的距离的平方和要越小越好，也就是类内距离要越小越好。损失函数来训练网络，得到的深度特征通常具有比较强的区分性，也就是比较强的类间判别力。
Loss(四)-2017：SphereFace：在L-Softmax Loss的基础上添加了两个限制条件：||W||=1、b=0
u013250861的博客
03-04 357
如在训练时两个类别的特征输入在同一个区域时发生了区域的重叠，如图左边。二分类中，设W1、W2分别是类别1与类别2的权重，W1与W2之间的夹角是θ12，输入的特征为x，那么权重W与输入特征x之间的夹角θ就决定了输入的特征属于那个类别，因为判断概率要p1>p2，则要cos(m*θ_1)>cos(θ_2)，一般可以认为输入的特征输于类别1，则要满足m*θ1
基于智能和视觉的火灾检测系统:调查 （论文翻译）
weixin_43590290的博客
10-01 5685
英文版论文原文：英文版论文链接地址 基于智能和视觉的火灾检测系统:调查 Intelligent and Vision-based Fire Detection Systems: a Survey Fengju Bu& Mohammad Samadi Gharajeh 山东农业工程大学 Shandong Agriculture and Engineering University Y...
A002-185-1203
GONGZIXUY的博客
01-04 3363
目录 一、查词文档 3 1、第一次查词 3 1.1需求基线（Requirements baseline） 3 1.2 概念聚类(Conceptual clustering) 7 1.3图形元素（Graphic elements） 10 1.4状态机（State machine） 13 1.5章节回顾（Chapter Review） 15 1.6对象流（Object Flow） 31 1.7需求工程师（Requirements Engineer） 33 1.8实体关系模型（Entity-relationshi
度量学习中损失函数的学习与深入理解
Bruce_0712的博客
05-27 2172
『深度概念』度量学习中损失函数的学习与深入理解 0. 概念简介 度量学习（Metric Learning），也称距离度量学习(Distance Metric Learning，DML) 属于机器学习的一种。其本质就是相似度的学习，也可以认为距离学习。因为在一定条件下，相似度和距离可以相互转换。比如在空间坐标的两条向量，既可以用余弦相似度的大小，也可以使用欧式距离的远近来衡量相似程度。 一般的度量学习包含以下步骤： Encoder编码模型：用于把原始数据编码为特征向量（重点如何训练模型） ..
缩小类内距离增大类间距离策略——摘自知乎（作者：新想）
weixin_45291262的博客
08-14 4249
缩小类内距离增大类间距离策略——摘自知乎（作者：新想）1.triplet loss2. L-softmax3. A-softmax4. Am-softmax5. CenterLoss 1.triplet loss 最初是在FaceNet: A Unified Embedding for Face Recognition and Clustering论文中提出的，可以学到较好的人脸的embedding; 是深度学习中的一种损失函数，用于训练差异性较小的样本，如人脸等， Feed数据包括锚（Anchor）示例、
center loss
cdknight_happy的专栏
03-09 756
论文：A Discriminative Feature Learning Approach for Deep Face Recognition 0 摘要 本文为人脸识别任务提出了center loss，可以为每一个人脸类别学习特征中心并惩罚远离中心点的离群样本。center loss使用CNN训练时易于收敛。将center loss和softmax loss结合，可以得到类内聚合、类间远离的深度特...
人脸验证（四）--CenterLoss
工作笔记
12-10 7180
有点纠结，实质上本文只是在深度学习框架下人脸识别损失函数的改进。但我还是把它归类到端到端了。出于个人原因。   转自：http://blog.csdn.net/yang_502/article/details/72792786 16年ECCV的文章《A Discriminative Feature Learning Approach for Deep Face Recognition》 c...
PyTorch Center Loss: 优化深度学习模型训练的新工具
最新发布
gitblog_00020的博客
04-10 309
PyTorch Center Loss: 优化深度学习模型训练的新工具 pytorch-center-lossPytorch implementation of Center Loss项目地址:https://gitcode.com/gh_mirrors/py/pytorch-center-loss 是一个开源的PyTorch库，由Kaiyang Zhou开发，旨在改善深度学习模型在识别和分类任...
DeepID2——强大的人脸分类算法
热门推荐
雨石
11-26 3万+
本文是论文Deep Learning Face Representation by Joint Identification-Verification的阅读笔记。 这篇论文使用deep learning学习特征，使用联合贝叶斯模型作为分类器，选取七组特征分别训练分类器，得到的结果使用SVM进行组合，得到的最终模型在LFW（Labeled Face in the Wild）数据集上的人脸验证任务中，达到了99.15%的准确率，目前排名第一。
损失函数：Center Loss
那年聪聪
02-22 2万+
Center Loss是通过将特征和特征中心的距离和softmax loss一同作为损失函数，使得类内距离更小，有点L1，L2正则化的意思。最关键是在训练时要使用2个Loss函数：Softmax Loss+ lamda* Center Loss
深度学习系列10：人脸识别概述
kittyzc的博客
08-25 1万+
本文参考https://zhuanlan.zhihu.com/p/76513217 1. 基础 这是一篇review的文章。下图是基本流程： 1.1 数据集 公开数据集的变迁如下： 1.2 前处理 人脸处理的变迁如下： 1.3 网络架构 主架构的变迁如下图： 1.4 目标函数 通常，人脸识别可分为人脸识别和人脸验证。前者将一个人脸分类为一个特定的标识（identification），而后者确定一对图片是否属于同一人（Verification）。 闭集（open-set）是测试图像在训练集中可能出现过
Epoch 0 - Loss: 42.7033 Epoch 100 - Loss: 1.2580 Epoch 200 - Loss: 1.0588 Epoch 300 - Loss: 0.9649 Epoch 400 - Loss: 0.7881 Epoch 500 - Loss: 0.7288 Epoch 600 - Loss: 0.6999 Epoch 700 - Loss: 0.6862 Epoch 800 - Loss: 0.6809 Epoch 900 - Loss: 0.6776 Epoch 1000 - Loss: 0.6754 Epoch 1100 - Loss: 0.6734 Epoch 1200 - Loss: 0.6704 Epoch 1300 - Loss: 0.6683 Epoch 1400 - Loss: 0.6668 Epoch 1500 - Loss: 0.6476 Epoch 1600 - Loss: 0.6442 Epoch 1700 - Loss: 0.6431 Epoch 1800 - Loss: 0.6423 Epoch 1900 - Loss: 0.6418 Epoch 2000 - Loss: 0.6411 Epoch 2100 - Loss: 0.6404 Epoch 2200 - Loss: 0.6399 Epoch 2300 - Loss: 0.6396 Epoch 2400 - Loss: 0.6393 Epoch 2500 - Loss: 0.6392 Epoch 2600 - Loss: 0.6390 Epoch 2700 - Loss: 0.6388 Epoch 2800 - Loss: 0.6386 Epoch 2900 - Loss: 0.6385 Test Loss: 1.1399
06-09
这也是一个训练神经网络的过程，每个Epoch代表一次完整的训练循环。Loss表示模型在训练过程中的误差，随着Epoch的增加，Loss逐渐减小，这说明模型在学习中逐渐优化。最终的Test Loss为1.1399，表示模型在测试集上的误差较小，但是相对于第一个例子，误差较大，这可能是因为模型的复杂度不够，或者数据集的质量不够高。需要根据具体任务和数据集来评估模型的表现。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值