人脸识别和检测中loss学习 - 6 - center loss

 论文：https://ydwen.github.io/papers/WenECCV16.pdf

 

A Discriminative Feature Learning Approach for Deep Face Recognition

和contrastive loss的作用类似，就是和softmax loss一起，一个减少类间差距，一个减少类内差距

 

 C_yi表示属于y_i类的特征的的中心

 

理想情况下，我们每次更新权值都要遍历全部的训练集去获得每个类的中心，这是低效甚至不实际的

为了解决这个问题，作者使用了minbatch中的每个类的中心来更新，（虽然这样可能有些类的中心在一次迭代中无法更新到，因为有些时候在一个mini-batch中不一定包含所有的类别）：

 

 分母加1是为了防止分母为0的情况

 

总损失函数使用的是Softmax+center Loss联合损失：

 

 

算法流程类似一般的卷积神经网络，就是多了一个更新中心点的流程：

 

 

效果变化：

一开始只使用softmax loss时：

 

 

加入center loss后：

 

 

效果比contrastive loss好