HyperSpaceX：超球维度的径向与角向探索
计算机视觉与模式识别
2024-08-06 v1
摘要
传统深度学习模型依赖如 softmax 交叉熵和 ArcFace loss 等方法用于分类和人脸识别等任务。这些方法主要在超球空间中探索角向特征，常导致因众多类别间稠密角向数据导致的类别特征互相交织。在本文中，提出一种新颖的特征探索领域，称为 HyperSpaceX，通过在多超球空间中同时探索角向和径向维度来增强类别判别性，借助 novel DistArc loss 实现。提出的 DistArc loss 包含三个特征排列组成部分：两个角向和一个径向，强制在多径向安排下实现类内绑定和类间分离，提高特征判别性。为评估 HyperSpaceX 框架的新颖表示，提出了一种预测度量，考虑到角向和径向因素，提供了超越标准指标的更全面模型准确性评估。跨七个对象分类和六个人脸识别数据集的实验表明，HyperSpaceX 实现了状元 (SOTA) 结果，在大规模对象数据集的低维数中实现最高可达 20% 的性能提升，在高维数中实现最高可达 6% 的提升。
引用
@article{arxiv.2408.02494,
title = {HyperSpaceX: Radial and Angular Exploration of HyperSpherical Dimensions},
author = {Chiranjeev Chiranjeev and Muskan Dosi and Kartik Thakral and Mayank Vatsa and Richa Singh},
journal= {arXiv preprint arXiv:2408.02494},
year = {2024}
}