微信公众号搜"智元新知"关注
微信扫一扫可直接关注哦!

『论文笔记』Angular Loss

元组添加margin(记为alpha)形式损失函数为:

 

 

 将特征归一化,并带入xc=(xp+xa)/2,省略常数项得到:

 

考虑log(exp(y1) + exp(y2)) ≥ max(y1, y2),对batch数据的处理整理为:

 

 

 

 

 Batch整合的推导没深究,看起来是取了对单个anchor而言batch内最hard三元组的上界,作者说思路来源于:Deep metric learning via lifted structured feature embedding。

版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 [email protected] 举报,一经查实,本站将立刻删除。

相关推荐