Anchor Loss：基于预测难度调制损失尺度
计算机视觉与模式识别
2019-09-26 v1 机器学习
摘要
我们提出一种新颖的损失函数，它基于样本的预测难度对交叉熵进行动态重缩放。图像分类任务中的深度神经网络架构难以区分视觉上相似的对象。同样，在人体姿态估计中，对称身体部位常使网络混淆并对它们赋予无差别的分数。这源于输出预测中仅选择置信度最高的标签而未考虑不确定性度量。本工作中，我们将预测难度定义为来自正标签与负标签之间置信度分数差距的相对属性。更确切地说，所提损失函数惩罚网络以避免错误预测的分数变得显著。为证明我们损失函数的效力，我们在两个不同领域评估它：图像分类与人体姿态估计。相较于基线方法，我们在两个应用中均通过达到更高准确率而发现改进。
引用
@article{arxiv.1909.11155,
title = {Anchor Loss: Modulating Loss Scale based on Prediction Difficulty},
author = {Serim Ryou and Seong-Gyun Jeong and Pietro Perona},
journal= {arXiv preprint arXiv:1909.11155},
year = {2019}
}
备注
To appear in Proceedings of IEEE International Conference on Computer Vision (ICCV), 2019. (oral)