极市直播 | (CVPR2020 Oral) 张宇涵:Circle Loss,从统一视角提升深度特征学习能力

技术直播 Admin ⋅ 于 4个月前 ⋅ 820 阅读

| 极市线上分享 第59期 |

今年CVPR 2020会议将于6 月 14-19 日在美国西雅图举行, 目前会议接收论文结果已公布,从 6656 篇有效投稿中录取了 1470 篇论文,录取率约为 22% 。极市平台特推出了CVPR 2020专题直播分享,往期分享请前往http://bbs.cvmart.net/topics/149

在今年3月底,旷视研究院提出的Circle Loss在深度特征学习领域上实现了新突破:从相似性对优化角度正式统一了两种基本学习范式(分类学习和样本对学习)下的损失函数。极市也对此进行过相关报道解读:CVPR 2020 Oral | 人脸识别Loss新突破:旷视提出Circle Loss,革新深度特征学习范式

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)。

本次直播,我们重磅邀请到Circle Loss论文作者之一:来自北京航空航天大学的张宇涵,为我们深度解读Circle Loss的思路原理以及实现结果。

01 直播信息

时间:2020年6月11日 (周四)20:00~21:00

主题:Circle Loss:从统一的相似对视角提高深度特征学习能力

02 嘉宾介绍

张宇涵,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。

03 关于分享

➤分享背景
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CVPR2020对这个问题的探索:Circle Loss: A Unified Perspective of Pair Similarity Optimization (CVPR2020 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,CircleLoss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。

Circle Loss: A Unified Perspective of Pair Similarity Optimization
(CVPR2020 Oral)

论文地址:
https://arxiv.org/pdf/2002.10857.pdf

➤分享大纲

  1. 深度特征学习介绍
  2. 统一的相似对优化视角
  3. CircleLoss的原理,实现和结果

04 直播回放

https://www.bilibili.com/video/BV13z4y1R71f/

PPT下载:https://pan.baidu.com/s/1CQscv9qJpMf9Z_3KCx5rdQ
密码:提示:此内容登录后可查看

微信公众号: 极市平台(ID: extrememart )
每天推送最新CV干货

成为第一个点赞的人吧 :bowtie:
回复数量: 0
暂无回复~
您需要登陆以后才能留下评论!