URLは：http://ydwen.github.io/papers/WenECCV16.pdf
間のクラスの違いを拡大しながら、この論文の主な貢献は、合同訓練を監督する機能喪失のセンター損失、およびソフトマックス損失センター損失の使用を提案することです略語内とクラスの違いは、モデルの堅牢性を向上させます。
視覚ソフトマックス損失の効果を説明するために、著者が2 LeNet、最後の隠れ層の寸法の出力の単純な変化、二次元平面ことを特徴とビジュアルを作り、次の二つの写真は、列車セットとテストであるMNIDSTセットには、クラス間の違いはより明白で見つかったが、クラスの違いも明らかにすることができます。
紙内のクラスの相違を減少させるためにセンターの損失を提案している：ビッグボックス センター損失-機能のためのA弁別学習アプローチが深い顔認識 -deep-顔認識-image004.png「altが=」「/>
CのYI中心点がクラスであります平均値は、サンプル特性のCYIのYIタイプを算出中心損失実用的なニューラルネットワークトレーニングプロセスを可能にするために、Cとされる、YIは、従ってソフトマックス損失を結合、当該各ミニバッチについて計算し、ネットワーク全体の損失：これらの二つの損失バランスをとる機能、[ラムダ]になり
、次のようにMNIST上のデータ・セットのソフトマックス損失センター損失は異なる、λについて同様の実験を行ったように、単純に同じ回路構成に置き換え、結果を視覚化する価値があります。センター損失は、クラス間の違いも顕著である一方、クラス内の差異を低減し、かなり大幅に見つけることができます
：パフォーマンスデータは、オープンに設定します