基于预定义均匀分布类中心的 CNN 分类器新损失函数
计算机视觉与模式识别
2019-04-29 v2
摘要
随着近年来卷积神经网络（CNNs）的发展，网络结构变得越来越复杂和多样化，并在模式识别、图像分类、目标检测与跟踪中取得了非常好的结果。对于用于图像分类的 CNNs，除了网络结构外，现在越来越多的研究关注于损失函数的改进，以扩大类间特征差异并尽可能减小类内特征变化。除了传统的 Softmax，典型的损失函数包括 L-Softmax、AM-Softmax、ArcFace 和 Center loss 等。基于 CSAE 网络中预定义均匀分布类中心（PEDCC）的概念，本文提出了一种基于 PEDCC 的损失函数，称为 PEDCC-Loss，它可以使隐藏特征空间中的类间距离最大且类内距离足够小。在图像分类和人脸识别上的多次实验证明，我们的方法实现了最佳识别准确率，且网络训练稳定、易于收敛。代码可在 https://github.com/ZLeopard/PEDCC-Loss 获取。
引用
@article{arxiv.1904.06008,
title = {A New Loss Function for CNN Classifier Based on Pre-defined Evenly-Distributed Class Centroids},
author = {Qiuyu Zhu and Pengju Zhang and Xin Ye},
journal= {arXiv preprint arXiv:1904.06008},
year = {2019}
}
备注
10 pages, 5 figures