Contrastive Loss
主要用于处理成对的数据
公式
L ( W , Y , X ⃗ 1 , X ⃗ 2 ) = ( 1 − Y ) 1 2 ( D W ) 2 + ( Y ) 1 2 { max ( 0 , m − D W ) } 2 L\left(W, Y, \vec{X}_{1}, \vec{X}_{2}\right)=(1-Y) \frac{1}{2}\left(D_{W}\right)^{2}+(Y) \frac{1}{2}\left\{\max \left(0, m-D_{W}\right)\right\}^{2} L(W,Y,X1,X2)=(1−Y)21(DW)2+(Y)21{ max(0,m−DW)}2
说明
D w D_w Dw 是数据对特征的欧式距离; Y Y Y 用于表示是否同类,同类表示为0, 不同类表示为1; m m m 我理解为是一个阈值
含义理解
当数据对同类的时候, Y Y Y 为0,公式变为 L ( W , Y , X ⃗ 1 , X ⃗ 2 ) = 1 2 ( D W ) 2 L\left(W, Y, \vec{X}_{1}, \vec{X}_{2}\right)=\frac{1}{2}\left(D_{W}\right)^{2} L(W,Y,X1,X2)=21(DW)2

本文介绍了多种用于深度学习的损失函数,包括对比损失、三元组损失及其变体,如改进的三元组损失、难样本采样损失和四元组损失。这些损失函数主要关注于优化样本间距离,以提升模型的分类和识别能力。例如,三元组损失通过保持正样本对的近距离和负样本对的远距离来训练网络。
427

被折叠的 条评论
为什么被折叠?



