SoftTriple Loss

最新推荐文章于 2024-08-20 09:37:28 发布
原创 最新推荐文章于 2024-08-20 09:37:28 发布 · 1.2k 阅读 · 1 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #pytorch #python

目录

19-ICCV-SoftTriple Loss：Deep Metric Learning Without Triplet Sampling

SoftTriple Loss

Multiple Centers

Adaptive Number of Centers

19-ICCV-SoftTriple Loss：Deep Metric Learning Without Triplet Sampling

1）SoftMax loss is equivalent to a smoothed triplet loss where each class has a single center.

现实中一个类不只有一个中心，例如鸟有很多姿势（从细粒度角度解释）。扩展SoftMax loss，每个类有多中心。

2）learn the embeddings without the sampling phase by mildly increasing the size of the last fully connected layer.不需要采样。
 

SoftTriple Loss

最低0.47元/天 解锁文章
SoftTriple Loss: Deep Metric Learning Without Triplet Sampling
orangerfun的博客
12-23 3280
1. Abstract 距离度量学习（DML）用于学习嵌入，其中来自同一类别的示例比来自不同类别的示例更接近。 可以将其转换为具有三重态约束的优化问题。 由于存在大量三元组约束，因此DML的采样策略必不可少。随着深度学习在分类领域的巨大成功，它已被应用于DML。 当使用深度神经网络（DNN）学习嵌入时，每次迭代仅可获得一小部分数据。三重约束的集合必须在小批次中采样。 由于小批量无法很好地捕获原始集合中的邻居，因此使学习到的嵌入次优。相反，使用DNN优化作为分类损失的SoftMax损失在某些DML任务中表现出
度量学习、细粒度识别相关论文阅读笔记（一）——SoftTriple Loss
CV小菜鸟的博客
01-30 4118
度量学习、细粒度识别相关论文阅读笔记（一）——SoftTriple Loss 之前调研了几篇度量学习、细粒度识别相关领域的最新论文，现将之前做的论文笔记分享出来供大家一起探讨。 因为之前没有涉及过相关领域，如果有的地方理解不够准确希望大家指正。 Triple Loss Triple Loss Triplets挖掘 训练方法 Offline Online SoftTriple Loss n...
达摩院细粒度分类SoftTriple Loss ICCV高引论文深入解读
孙佰贵的专栏
12-21 7608
SoftTriple Loss论文是在图像细粒度分类领域提出了新型度量学习方法，该方法可以被广泛应用于各种搜索、识别等领域中，目前谷歌学术引用240+，相对高引。相比原始论文文档，本文将介绍更多研究过程中遇到的问题点以及相应创新方法的演进历史。
无采样SoftTriple Loss：深度度量学习的多中心改进
无采样的SoftTriple Loss是一种创新的深度度量学习方法，旨在解决深度学习中传统三元组采样策略在处理复杂数据集时遇到的问题。DML的核心目标是学习一个嵌入空间，使得同类样本间的距离小于异类样本，通常通过最大化...
SoftTriple Loss: Deep Metric LearningWithout Triplet Sampling
xiaozhshi的博客
10-07 3003
代码地址： https://github.com/idstcv/SoftTriple ICCV19 文章结构可以分为以下3个部分： 1、推导softmax loss和只有一个center的triplet loss等价； 2、引入多个center； 3、max到softmax计算相似度。 文章的逻辑我认为是softmax loss便于使用，triplet loss用来理解center ...
经典回顾 | 达摩院细粒度分类方法 SoftTriple Loss 之 ICCV 高引论文深入解读
专注计算机视觉全栈知识分享
05-20 565
本文总结了关于深度度量学习中的局限性，并提出了一种名为的解决方案。作者指出，从小批量数据中采样三元组可能导致对整个数据集覆盖不足，从而降低深度度量学习模型的性能。为了解决这个问题，作者提出用多个中心来表示每个类别，并使用原始示例与类别之间的相似性定义了三元组，通过在模型的最后一个全连接层中编码这些中心。通过将纳入用于分类的标准SGD训练流程中，最终消除了采样阶段并直接学习嵌入向量。总的来说，SoftTriple在细粒度基准数据集上展现出一致的改进效果，证实了所提出的损失函数的有效性。
SoftTriple 项目使用教程
gitblog_00089的博客
08-20 379
SoftTriple 项目使用教程 1. 项目的目录结构及介绍 SoftTriple/ ├── README.md ├── requirements.txt ├── setup.py ├── softtriple │ ├── __init__.py │ ├── config.py │ ├── main.py │ ├── model.py │ ├── loss.py │ └─...
SoftTriple 开源项目教程
最新发布
gitblog_00076的博客
08-20 474
SoftTriple 开源项目教程 项目介绍 SoftTriple 是一个用于深度度量学习的 PyTorch 实现项目。该项目通过 SoftTriple Loss 函数优化，能够在不进行三元组采样的情况下学习嵌入表示。SoftTriple Loss 通过轻微增加最后一层全连接层的尺寸，有效地学习了嵌入，这在多个细粒度数据集上得到了验证。 项目快速启动 环境准备 在开始之前，请确保您的环境中已安装以...
【深度学习常见问题——损失函数（度量学习）】
selami的博客
04-18 1176
深度学习常见问题——损失函数（度量学习）
论文总结3-Sub-center ArcFace: Boosting Face Recognition by Large-scale Noisy Web Faces
瞎BB的博客
10-31 3459
论文地址：https://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123560715.pdf 解决问题： 以前的方法容易受到大量噪声label训练数据的影响，这需要人工清洗这些数据。本文放宽了ArcFace类内的约束，提高了对标签噪声的鲁棒性。 做法： 为每个类设计K个子中心，训练样本只需要接近K个正的子中心，而不是只接近一个正的子中心。这鼓励一个包含大多数干净面孔的主导子类和多个包含hard面孔或噪声面孔的非主导子类。大量实验验证了该方法在
L-softmax, triplet loss, siamese loss, softmax loss总结
zeroQiaoba的博客
04-25 2985
ve/70)
triplet loss 原理以及梯度推导
tangwei2014的专栏
07-07 7万+
【理解triplet】 【理解triplet loss】 【triplet loss 梯度推导】 【算法实现的小提示】
人脸识别的LOSS（多分类Softamx）
爱破破爱科研
09-04 5960
人脸1：N应用：https://blog.csdn.net/intflojx/article/details/81278330 超多分类的Softmax 早期深度人脸识别方法，框架为CNN + Softmax，以“超多分类”这样一种比较难的任务训练CNN，强迫网络在第一个FC层形成比较紧凑的，判别力很强的深度人脸特征，之后用于人脸识别。 Softmax优缺点 Softmax是soft（...
Triplet-Loss原理及其实现、应用
热门推荐
莫失莫忘的博客
10-30 11万+
本文个人博客地址： 点击查看 欢迎下面留言交流 一、 Triplet loss 1、介绍 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 为什么不适用 softmax函数呢，softmax最终的类别数是确定的，而Triple...
Deep Metric Learning with Hierarchical Triplet Loss 阅读笔记
gzw110605110的博客
05-14 1664
创新点和动机 文章提出了 hierarchical triplet loss (HTL) 方法，该方法主要通过定义一个编码上下文信息的树来收集信息样本，改进了在 mini-batch 中随机取样导致的陷入局部最优和收敛速度慢等问题。 解决方法 给定使用传统 triplet loss 预训练的神经网络 ϕt(⋅,θ)(∈Rd)\phi_{t}(\cdot, \boldsymbol{\theta})\...
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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