CVPR 2020 Oral 线上分享 | Circle Loss，从统一视角提升深度特征学习能力

Circle Loss 在两种基本学习范式，三项特征学习任务（人脸识别，行人再识别，细粒度图像检索），十个数据集上都取得了极具竞争力的表现：在人脸上，采用分类模式，Circle Loss 超过了该领域先前的最好方法（如 AM-Softmax，ArcFace）；在细粒度检索中，采用样本对学习方式，Circle Loss 又媲美了该领域先前的最高方法（如 Multi-Simi）。

本期直播分享，极市平台邀请到旷视研究院实习生张宇涵，为大家带来「Circle Loss：从统一的相似对视角提高深度特征学习能力」主题分享。

直播时间 & 地址

直播时间：6月11日 （周四）晚 8 点

直播地点：http://live.bilibili.com/3344545

论文地址：https://arxiv.org/pdf/2002.10857.pdf

分享提纲

深度特征学习经历了很久的发展，从 Softmax+cross-entropy 到 Cosface( AM-softmax)和 ArcFace，从 Contrastive loss 到 Triplet loss，好的损失函数可以给模型好的引导，更充分地发挥模型的能力，获得更好的识别效果。本次分享中，将主要介绍我们在 CVPR 2020 对这个问题的探索「Circle Loss: A Unified Perspective of Pair Similarity Optimization」 (CVPR 2020 Oral)。

在这个工作中，我们针对深度特征学习提供了一个统一的相似对优化视角：当前大多数损失函数，都将负样本相似性和正样本相似性组成相似性对，寻求减少他们的差值。进一步，我们发现这种优化方式是不灵活的，每个相似性应根据其当前的优化状态获得不同的优化强度， Circle Loss 以简洁的形式实现了这个想法，取得了更好的识别能力。分享最开始也会对深度特征学习作简单介绍。

本次分享的提纲是：

• 深度特征学习介绍

• 统一的相似对优化视角

• Circle Loss 的原理，实现和结果

嘉宾介绍

 张宇涵 / 旷视研究院实习生

北京航空航天大学本科生，旷视研究院实习生。研究方向为计算机视觉，包括深度特征学习，行人再识别等。 

传送门 

实习工作投递简历: [email protected]

欢迎大家关注如下 旷视研究院 官方微信号????