CVPR2019 度量学习
Ranked List Loss for Deep Metric Learning
原文链接：https://arxiv.org/abs/1903.03238
度量学习在图像识别、检索等领域有着广泛应用。本文提出了一种新的方法，Ranked List Loss(RLL)。利用该损失函数可以小幅提升网络的准确性。话不多说，直接上图。
上图是几种常见的损失函数，最右侧的是本文算法。蓝色代表query，形状不同代表类别（标签）不同。按照顺序简介一下：
- 一个同类样本（positive）一个异类样本（negative）
- 每一类选取一个样本
- 一个positive，每一个negative类的平均
- 一个positive，所有的negative
- 所有的positive和negative
核心思想都是：让positive靠近，negative远离。
在此基础上，RLL还有一个特别之处，如下图：
没有像其它算法那样，迫使positive的embeddings全部靠近于一点，而是使它们全部在以query的embedding为球心，以a-m为半径的超球面内。原因是，不希望模型过度自信。同时，让所有positive靠近于一点，也在一定程度上忽视或者破坏了positive的类内结构。通俗来说，好比一个大佬十分自信，而且他可能总是对的，但是如果错一次，往往非常打脸…
下面阐述一下算法流程：
很清晰了，如果懒得看论文，那就补充几点，方便看懂上述算法。
有些样本的embedding已经满足了图二的要求，所以没必要再进入loss中计算了，所以把它们删掉，于是pos set和neg set就分别变成了P * 和 N *。（但是我有一事不明，没必要删掉啊，如果满足图二的要求，那对应的loss就是0啊，也可能是我理解错了，欢迎大佬指教）。
T是另外一个超参数，用来给neg set中不同的样本设置权重。（也就是靠近query的neg的权重要大一些）。
附上算法中的公式：
Lm:
简而言之，就是batch中的每一个图片都作为query，然后分别计算pos set和neg set的损失，neg set中的样本要加权。然后LP和LN一视同仁，直接相加，得到一个query的loss。再把所有query的loss相加。
看到这里，大家也会发现，如果batchsize比较大，算法的运算量还是挺大的。
最后的实验分析证明，这个算法最有用的是不让类内距离过小。其它的比如给负样本加权，改进不大，个人认为是通过堆砌计算量而小幅（1%左右）提高准确率。
总之，用这个方法对自己的网络进一步小幅提升（不考虑计算量），还是不错的。
完
欢迎讨论，欢迎吐槽。
