单峰集中损失：面向序数回归的完全自适应标签分布学习
计算机视觉与模式识别
2022-04-04 v1
摘要
从标签分布中学习在面部年龄与头部姿态估计等序数回归任务上已取得可喜结果，其中自适应标签分布学习（ALDL）因其理论优越性近来备受关注。然而，与假设固定形式标签分布的方法相比，ALDL 方法并未取得更优性能。我们认为现有 ALDL 算法未充分利用序数回归的内在属性。本文着重总结，在序数回归任务上学习自适应标签分布应遵循三项原则。第一，标签分布中对应于真实标签的概率应最高。第二，邻近标签的概率应随距真实标签距离增大而减小，即分布为单峰的。第三，标签分布应随样本变化而改变，甚至对同一标签的不同实例因难度与模糊性水平不同而异。在此三项原则前提下，我们提出一种用于完全自适应标签分布学习的新型损失函数，即单峰集中损失（unimodal-concentrated loss）。具体而言，源自学习排序策略的单峰损失约束分布为单峰；此外，将特定样本预测分布的估计误差与方差整合进所提集中损失，使预测分布在真实标签处取极大并随预测不确定性变化。在年龄与头部姿态估计等典型序数回归任务上的大量实验结果表明，相较现有损失函数，我们所提单峰集中损失具有优越性。
引用
@article{arxiv.2204.00309,
title = {Unimodal-Concentrated Loss: Fully Adaptive Label Distribution Learning for Ordinal Regression},
author = {Qiang Li and Jingjing Wang and Zhaoliang Yao and Yachun Li and Pengju Yang and Jingwei Yan and Chunmao Wang and Shiliang Pu},
journal= {arXiv preprint arXiv:2204.00309},
year = {2022}
}
备注
The first two authors contributed equally to this work. Accepted to CVPR 2022