triplets 、triplet Loss和 hard triplets
本文大多数知识来源于此文:https://blog.csdn.net/fire_light_/article/details/79592804
triplets
triplet Loss
什么是Triplet Loss呢?顾名思义,也就是根据三张图片组成的三元组(Triplet)计算而来的损失(Loss)。
其中,三元组由Anchor(A),Negative(N),Positive(P)组成,任意一张图片都可以作为一个基点(A),然后与它属于同一人的图片就是它的P,与它属于同一人的图片就是它的N。
Triplet Loss的学习目标可以形象的表示如下图:
网络没经过学习之前,A和P的欧式距离可能很大,A和N的欧式距离可能很小,如上图左边,在网络的学习过程中,A和P的欧式距离会逐渐减小,而A和N的距离会逐渐拉大。
也就是说,网络会直接学习特征间的可分性:同一类的特征之间的距离要尽可能的小,而不同类之间的特征距离要尽可能的大。
意思就是说通过学习,使得类间的距离要大于类内的距离。
损失函数为:
其中,左边的二范数表示类内距离,右边的二范数表示类间距离,α是一个常量。优化过程就是使用梯度下降法使得损失函数不断下降,即类内距离不断下降,类间距离不断提升。
hard triplets
理论上说,为了保证网络训练的效果最好,我们要选择hard positive
以及hard negative
来作为我们的三元组
因此,hard triplets应该是满足类内距离最大化并且类间距离最小化的三元组。
triplets 、triplet Loss和 hard triplets相关推荐
- CV之FRec之ME/LF:人脸识别中常用的模型评估指标/损失函数(Triplet Loss、Center Loss)简介、使用方法之详细攻略
CV之FRec之ME/LF:人脸识别中常用的模型评估指标/损失函数(Triplet Loss.Center Loss)简介.使用方法之详细攻略 目录 T1.Triplet Loss 1.英文原文解释 ...
- Triplet Loss 实现
按照我原来的想法,Triplet Loss 三元组应该是这样选择的: (1) 前馈操作: cnn 先执行forward 操作,获取到embedding 的具体值后,再去用非 tf 函数去处理embed ...
- 论文精读2: Ground-to-Aerial Image Geo-LocalizationWith a Hard Exemplar Reweighting Triplet Loss
Ground-to-Aerial Image Geo-LocalizationWith a Hard Exemplar Reweighting Triplet Loss Ground-to-Aeria ...
- 2020 ArXiv之跨模态ReID:Parameters Sharing Exploration and Hetero-Center based Triplet Loss for Visible-T
Parameters Sharing Exploration and Hetero-Center based Triplet Loss for Visible-Thermal Person Re-Id ...
- 论文笔记3 --(ReID)In Defense of the Triplet Loss for Person Re-Identification
<In Defense of the Triplet Loss for Person Re-Identification> 论文:https://arxiv.org/abs/1703.07 ...
- Triplet Loss笔记
在有监督学习中,一般都有固定数量的类别.通常我们可以用Softmax结合Cross Entropy Loss来做分类. 在监督学习中,会有变化数量的类别,这个时候我们可以用Triplet Loss来表 ...
- 关于triplet loss的注意事项
triplet loss 的代码有一点需要注意: 因为输出是对embedding层的映射后的距离的测度(一般是Euclidean距离).标签变量(y)是辅助计算的变量.不能one-hot编码. 借鉴下 ...
- triplet loss损失函数
知识点来源于知乎链接 triplet loss的原理 损失函数的公式L=max(d(a,p)-d(a,n)+margin,0) a: anchor,p: positive, 与a是同一类别的样本:n: ...
- Triplet Loss: A Unified Embedding for Face Recognition and Clustering(论文阅读笔记)(2015CVPR)
论文链接:<FaceNet: A Unified Embedding for Face Recognition and Clustering> 摘要 尽管人脸识别领域最近取得了重大进展[1 ...
- 一文理解Ranking Loss/Margin Loss/Triplet Loss
点击蓝字 关注我们 作者丨土豆@知乎 来源丨https://zhuanlan.zhihu.com/p/158853633 本文已获授权,未经作者许可,不得二次转载. 前言 Ranking loss在 ...
最新文章
- java调用python的函数_java如何调用python的.py文件,以及如何执行里面的函数,和创建...
- iPhone全球技术巡讲北京站,WWDRChina 2009 Beijing
- MyBatis增删改对二级缓存的影响
- 使用jMeter的regular expression extract提取SSO form的XSRF protection token
- Eclipse 插件开发遇到问题心得总结
- mpi由于目标计算机积极拒绝,windows系统lammps安装MPICH2的问题
- 声明 static 变量注意事项
- NSString常用方法
- 今天分享一个做自媒体的方法论
- linux下的终端利器----tmux
- paip.invalid conversion from FormWdg* to SOCKET {aka unsigned int}
- 用Python做一个无限弹窗
- GateWay 集成 Swagger
- 关于Flash闪存的扇区、块、页
- Omniverse数字孪生实战
- iOS之安装包优化以及瘦身
- 计算机毕业设计Java影片租赁系统(系统+程序+mysql数据库+Lw文档)
- 不规则数据排序 Python sort sorted
- 如何在多个视频画面的任意位置上添加上同一张图片
- 谷歌新系统 fuchsia