论文笔记：Git Loss

原文：Git Loss for Deep Face Recognition

Git Loss

1、四个问题

1. 要解决什么问题？
   • 诸如人脸识别、指纹识别等的识别任务，测试集不确定或类别较多而样本较少的情况。
   • one-shot-learning。
   • 最小化类内差异，最大化类间差异。
2. 用了什么方法解决？
   • 提出了一个新的loss函数——git loss。
   • git loss是基于center loss的基础之上改进的，center loss可以加强网络缩小类内差异的能力，而git loss可以加强网络增加类间差异的能力。
3. 效果如何？
   • 在两个benchmark数据库上：Labeled Faces in the Wild(LFW) and YouTube Faces (YTF) 取得了state-of-the-art的结果。
4. 还存在什么问题？
   • 与center loss一样，训练时的计算成本很大，每次训练都要计算当前batch的所有特征的中心。

2、论文概述

2.1、Deep Metric Learning Approaches

• 优点：
  • 深度度量学习方法，如contrastive loss可以优化样本对之间的相似度，triplet loss会优化三元组样本对之间的相对相似度。使用contrastive loss和triplet loss可以有效地加强深度网络提取很好分类的特征。
• 缺点：
  • 使用contrastive loss和triplet loss需要注意样本对的选择，如果样本对选择的不好，模型的性能也会大打折扣。
  • 由于训练和测试时使用的都是样本对，每次训练都要计算多张图像，这样会增加训练的计算量。

2.2、Git Loss

• git loss是基于center loss改进得到的。最小化类内间距，最大化类间间距。
• 由于让同类样本的特征更加紧凑（类似于git的pull操作），让不同类样本的特征距离更远（类似于git的push操作），所以取名为了git loss。

• 公式说明：
  1. $L_S$是Softmax Loss，$L_C$是Center Loss，$L_G$是Git Loss。
  2. ${\lambda }_C$和${\lambda }_G$分别是给Center Loss和Git Loss的权重。
  3. $c_{y_i}$表示所有属于$y_i$类的特征$x_i$的中心值。

2.3、Toy example

• 基于MNIST做的实验：

• 左图中${\lambda }_G=0$，即为Center Loss的结果；由于为引入了Git Loss的结果。
• 从图中可以直观地看出Git Loss的类间距离更大，类内也更紧凑。

2.4、实验结果