提出了一种名为 “中心对比损失” 的新型度量学习函数，通过对比损失使用类别中心来将查询数据点与类别中心进行比较，并实时更新类别中心以提高模型收敛速度，通过减少类内变异和增强类间差异来改善嵌入的鉴别能力，实验结果表明，使用该损失函数训练的标准网络（ResNet50）在性能和收敛速度方面达到了最先进水平。

Aug, 2023

本文提出了 L-Softmax loss 作为一种广义的大边际 softmax（L-Softmax）损失函数，可以显式地鼓励所学特征的类内紧密性和类间可分性，并且能够调整想要的边际并避免过拟合，并在四个基准数据集上进行了广泛实验，结果表明使用 L-Softmax 且深度学习的特征更具有区分度，从而大大提高了各种视觉分类和验证任务的性能。

Dec, 2016

本文提出了一种融合了 softmax 和 center loss 函数的联合监督信号 Git loss，旨在最小化同类内部差异、最大化异类间距离，以增强深度特征的判别能力，通过在两个人脸识别基准数据集上的实验证明 Git loss 可以达到不同身份深度人脸特征的最大可分性，并在 LFW 和 YTF 两个主要的人脸识别基准数据集上实现了最先进的准确度。

Jul, 2018

在这项工作中，我们通过将分类器的参数设置为不可训练（即固定），展示出如何从使用 Softmax loss 训练的 CNN 中提取最大类间可分性和最大类内紧凑性的特征。我们的方法统一和泛化了两个不同类别的方法，即由 Center Loss 引领的判别特征和由 Hoffer 等人在 2018 年首次评估的固定分类器。

Jan, 2023

本文介绍一种名为 Contrastive Deep Supervision 的新型训练框架，该框架使用基于 augmentation 的对比学习来监督中间层，从而在多种深度学习任务上取得了显著的效果。

Jul, 2022

本文介绍了一种基于对比学习的自我监督表征学习方法，并将其推广到全监督设置中。其中，相同类别的样本点在嵌入空间中被拉在一起，而来自不同类别的样本则被同时推开，以实现更好的分类性能。实现简单，最佳损失函数表现优于交叉熵。

Apr, 2020

本文研究基于对比学习的监督式分类学习策略，提出了一种混合网络结构，用于从不平衡的数据中学习更好的图像表征，以提高分类精度。具体而言，我们探索了两种对比损失的变体，以推动特征学习，从而实现更好的分类器。实验结果表明，基于对比学习的混合网络在长尾分类中优于传统方法。

Mar, 2021

本研究探讨了在最小化损失时，编码器输出空间内所寻求的类别性空间几何是否存在本质差异。同时提供实证证据表明，两种损失函数的优化行为存在显著不同，这将对神经网络的训练产生影响。

Feb, 2021

本论文详细分析了对比学习的三个问题：扩展标准对比损失、局部特征学习和竞争特征抑制现象，并指出了此类方法可能存在的数据增强限制和学习饱和等问题。

Nov, 2020

本研究中，我们给特征描述符添加了一个 L2 约束，以保证它们位于一个固定半径的超球面上，该步骤可以显著提高面部验证的性能，特别是在 IJB-A 数据集上实现了 0.909 的 True Accept Rate 以及 0.0001 的 False Accept Rate。

Mar, 2017