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: ur@megvii.com

欢迎大家关注如下 旷视研究院 官方微信号????