利用正多面体网络实现最大紧凑与分离特征

使用 Softmax 损失训练的卷积神经网络 是广泛用于多种视觉任务的分类模型。通常，在此类模型的末端放置一个可学习的变换（即分类器），返回类别分数，并进一步由 Softmax 归一化为概率。这种可学习的变换在决定网络内部特征表示方面起着基础性作用。在这项工作中，我们展示了如何通过将分类器变换的参数设置为不可训练（即固定），从 CNN 中提取具有最大类间可分性和最大类内紧凑性的特征。我们获得的特征类似于使用著名的“中心损失”和其他类似方法所能获得的特征，但具有几个实际优势，包括最大化利用可用特征空间表示、减少网络参数数量，以及除了 Softmax 之外无需使用其他辅助损失。我们的方法将两类看似不同的方法统一并推广为一个通用方法：一类是由 Center Loss 开创的判别性特征方法，另一类是首次在固定分类器中评估的方法。初步的定性实验结果提供了关于我们组合策略潜力的见解。