角度学习：面向判别性嵌入特征
计算机视觉与模式识别
2019-12-18 v1 机器学习
机器学习
摘要
基于间隔的 softmax 损失函数极大增强了类内紧凑性，并在人脸识别与对象分类任务上表现良好。然而，其优异性能依赖于细致的超参数选择。此外，严苛的角度限制也增加了过拟合风险。本文中，通过最大化角度梯度以促进类内紧凑性所提出的角度损失避免了过拟合。此外，我们的方法仅有一个可调常数用于控制类内紧凑性。我们定义三个度量以衡量类间可分性与类内紧凑性。在实验中，我们在多个知名数据集上测试了我们的方法及其他方法。实验结果表明，我们的方法在准确率提升、判别信息与耗时方面具有优势。
引用
@article{arxiv.1912.07819,
title = {Angular Learning: Toward Discriminative Embedded Features},
author = {JT Wu and L. Wang},
journal= {arXiv preprint arXiv:1912.07819},
year = {2019}
}