Circle Loss：对成对相似性优化的统一视角

本文从成对相似性优化的视角看待深度特征学习，旨在最大化类内相似性 $s_p$ 并最小化类间相似性 $s_n$。我们发现大多数损失函数，包括三元组损失和 softmax 加交叉熵损失，都将 $s_n$ 和 $s_p$ 嵌入相似性对并试图减小 $(s_n-s_p)$。这种优化方式缺乏灵活性，因为对每一个单独相似性分数的惩罚强度被限制为相等。我们的直觉是，若一个相似性分数偏离最优值较远，则应被强调。为此，我们简单地对每个相似性重新加权以突出优化较差的相似性分数。这得到了一种 Circle loss，因其圆形决策边界而得名。Circle loss 对两种基本深度特征学习方法（即使用类级标签和成对标签的学习）具有统一公式。我们分析表明，与优化 $(s_n-s_p)$ 的损失函数相比，Circle loss 提供了更灵活的优化方式以朝向更明确的收敛目标。在实验上，我们在多种深度特征学习任务上展示了 Circle loss 的优越性。在人脸识别、行人重识别以及若干细粒度图像检索数据集上，所取得的性能与当前最优（state of the art）相当。