Mar, 2020

负边界很重要：理解少样本分类中的边界

PDF
TL;DR本文介绍一种负边距损失函数用于基于度量学习的 few-shot 学习方法，该方法显著优于常规 softmax 损失函数，并在三个标准 few-shot 分类基准上取得了最新的最高准确度。通过实现和理论分析，发现尽管负边距会降低训练班级的发散度，但它也可以避免将同一新班级的样本错误地映射到多个峰值或簇中，从而有助于新班级的区分。
发现论文，激发创造
  • 大边界少样本学习

    在 Few-shot learning 的背景下，该研究论文探索了如何使用大边距原则改进基于度量的 Few-shot learning 方法的泛化能力，通过在训练中将分类损失函数增加大边距距离损失函数，实现学习更有区分度的度量空间，实验证明这种方法可以有效提高现有模型的性能。

    Jul, 2018

  • 自适应边界损失增强少样本学习

    本文针对小样本学习（few-shot learning）的泛化困难问题，提出了一种自适应_margin_方法，改善了基于度量的元学习方法的泛化能力，并通过实验验证了该方法的有效性。

    May, 2020

  • 分类的大边缘判别损失

    这篇论文介绍了一种在深度学习背景下具有较大边界的新型判别性损失函数，通过提高神经网络的判别能力，即类内紧凑性和类间可分性，来优化特征空间，同时通过数学分析关系、设计策略和研究泛化误差，提高模型的测试准确性。

    May, 2024

  • 学习最大边界

    本文提出采用最大化间隔损失的优化目标，定义类间隔与样本间隔，推导出广义的间隔 softmax 损失，并在此基础上设计出新工具，即样本间隔正则化、适用于类均衡情形的最大间隔 softmax 损失和适用于类不平衡情形的零中心正则化。实验结果表明，本文的方法对于视觉分类、样本不平衡分类、人员重新识别和人脸验证等任务具有很好的效果。

    Jun, 2022

  • 多边损失函数：在推荐系统中的提出和应用

    多边界损失（MML）是一种简单而有效的损失函数，通过引入多个边界和变化的负样本权重，解决了资源有限时的挑战，并在两个知名数据集上实验证明，在使用更少的负样本时，MML 相对于基准对比损失函数取得了高达 20％的性能提升。

    May, 2024

  • 基于度量学习的零样本分类的难负样本挖掘

    本文基于 Bucher 等人的工作，引入了一种新颖的度量学习目标函数，该函数可与图像和属性之间的相似度一起学习属性的最佳嵌入。本文通过提出若干控制生成负对的方案来扩展这种方法，在三个具有挑战性的零样本分类数据集上，获得了显着的性能提高，达到了最高水平的结果。

    Aug, 2016

  • 用于分类的大边际深度网络

    本篇论文提出了一种新的损失函数，通过对深度神经网络中任意一组层（包括输入和隐藏层）的度量度量范数施加边缘来实现任意选择度量的边缘的深度网络。本文的损失具有较好的特性，适用于小训练集，分类和鲁棒性等任务，与现有数据扩增和正则化技术相辅相成。

    Mar, 2018

  • Few-shot 目标检测中负信息恢复

    本研究关注于少样本目标检测的应用，旨在恢复少样本目标检测中缺失信息。通过引入新的正负样本代表和基于度量学习的框架，建立模型以提高状态最优的准确性。

    Oct, 2020

  • 边缘的恶魔：基于边缘的标签平滑方法用于网络校准

    本文研究了深度神经网络在预测时存在过度自信的问题，并提出了一种基于不等式约束的优化方法，以达到最佳判别性能和预测校准性能的折中。

    Nov, 2021

  • 基于误分类向量引导的人脸识别 Softmax 损失

    本论文提出了一种新的适应性损失函数，该函数强调错分特征向量以指导较有区别的特征学习，从而解决传统损失函数在面部识别中存在的问题，并在多个基准测试上取得了比其他先进替代方案更有效的实验结果。

    Nov, 2019