triplet loss 原理以及梯度推导
来源:互联网 发布:package java 编辑:程序博客网 时间:2024/06/15 17:51
【前言】
最近,learning to rank 的思想逐渐被应用到很多领域,比如google用来做人脸识别(faceNet),微软Jingdong Wang 用来做 person-reid 等等。learning to rank中其中重要的一个步骤就是找到一个好的similarity function,而triplet loss是用的非常广泛的一种。
【理解triplet】
如上图所示,triplet是一个三元组,这个三元组是这样构成的:从训练数据集中随机选一个样本,该样本称为Anchor,然后再随机选取一个和Anchor (记为x_a)属于同一类的样本和不同类的样本,这两个样本对应的称为Positive (记为x_p)和Negative (记为x_n),由此构成一个(Anchor,Positive,Negative)三元组。
【理解triplet loss】
有了上面的triplet的概念, triplet loss就好理解了。针对三元组中的每个元素(样本),训练一个参数共享或者不共享的网络,得到三个元素的特征表达,分别记为: 。triplet loss的目的就是通过学习,让x_a和x_p特征表达之间的距离尽可能小,而x_a和x_n的特征表达之间的距离尽可能大,并且要让x_a与x_n之间的距离和x_a与x_p之间的距离之间有一个最小的间隔。公式化的表示就是:
对应的目标函数也就很清楚了:
这里距离用欧式距离度量,+表示[]内的值大于零的时候,取该值为损失,小于零的时候,损失为零。
由目标函数可以看出:
- 当x_a与x_n之间的距离 < x_a与x_p之间的距离加时,[]内的值大于零,就会产生损失。
- 当x_a与x_n之间的距离 >= x_a与x_p之间的距离加时,损失为零。
【triplet loss 梯度推导】
上述目标函数记为L。则当第i个triplet损失大于零的时候,仅就上述公式而言,有:
【算法实现时候的提示】
可以看到,对x_p和x_n特征表达的梯度刚好利用了求损失时候的中间结果,给的启示就是,如果在CNN中实现 triplet loss layer, 如果能够在前向传播中存储着两个中间结果,反向传播的时候就能避免重复计算。这仅仅是算法实现时候的一个Trick。
下一节给出caffe中实现triplet loss的方法和代码。
- triplet loss 原理以及梯度推导
- triplet loss 原理以及梯度推导
- triplet loss 原理以及梯度推导
- triplet loss 原理以及梯度推导
- Triplet Loss及其梯度
- triplet loss layer原理
- triplet loss (原理 + 实现)
- triplet loss的原理及caffe代码
- Triplet Loss
- svm的loss和梯度推导及代码
- matlab---triplet loss
- Triplet Loss(未开始)
- triplet loss总结
- softmax 损失函数以及梯度推导计算
- Triplet Loss、Coupled Cluster Loss 探究
- Re-ID with Triplet Loss
- 损失函数 center_loss triplet loss
- 如何在caffe中增加layer以及caffe中triplet loss layer的实现
- 读书笔记《你不知道的JavaScript上卷》1.3函数作用域和块作用域
- 欢迎使用CSDN-markdown编辑器
- java 现成网站源码 SSM 框架 freemaker静态引擎
- Spring学习及整合遇到的问题(一)
- c编写List Components
- triplet loss 原理以及梯度推导
- Openwrt学习笔记(二)——Flash Layout and file system
- 1112. Stucked Keyboard (20)
- thinkphp教学系列
- 记录一下glide与Imageloader的区别。
- c 编写Public Bike Management
- oracle控制台密码修改
- c编写 Shortest Path [4]
- json数组直接转换成对象