Range Loss

《Range Loss for Deep Face Recognition with Long-tail》
2016，Xiao Zhang et al. Range Loss
参考代码：https://github.com/Charrin/RangeLoss-Caffe

引言：
作者首先提出了现在数据库中普遍存在的问题，就是数据存在长尾分布的情况。
考虑到现实世界数据长尾分布的存在，大而均匀的分布数据通常难以收集。
对于人脸数据库而言，长尾分布主要表现在很多的identity含有较少的图片数量，如图所示：
在这里插入图片描述
经验大量实验和分析表明，样本数越多的类对特征学习过程的影响越大，尾部数据对模型整体特征提取能力被削弱。与现有的大多数解决问题的方法相比，即：通过简单地裁剪均匀分布的尾部数据来解决这个问题。本文提出了一种新的损失函数，称为Range Loss，可以有效地利用训练过程中的整个长尾数据。Range Loss的优化目标是在一类中k个最大范围的调和平均值和一个batch中最短的类间距离。
经过大量实验验证，所提出方法不仅证明了克服长尾效应的有效性，而且表明该方法具有良好的泛化能力。

实验：长尾数据对识别影响
作者考虑到人脸数据库存在长尾分布的情况，为了能够分析出长尾分布对识别的影响，所以作者先做了几组对比实验。
1.重构数据集同长尾分布
在这里插入图片描述
2.训练数据量统计

3.VGG网络同softmax训练长尾数据对LFW的影响

实验结果可以看出来，当截取50%的tail部分的时候，识别率达到最高。随着截取的百分比变化的时候，识别的结果也有所变化，足以看出来tail对识别的影响还是比较大的。

4.为了进一步看看long tail对识别率的影响
作者不单单选取softmax作为最后的目标函数，还加上了contrastive loss和 triplet loss。实验结果如图所示。
在这里插入图片描述
从上图的结果中可以看出截取50%的tail对实验的识别率有着一定的提升。为了能够解决或者说是减少这种长尾分布带来的影响，作者提出了range loss。range loss所要带来的影响其实和centerloss很类似，就是减小类内距，增大类间距。不同的是，range loss还有一个目的是减小tail部分数据（poor class）对识别率的影响。

损失函数：Range Loss
应该考虑如何利用不平衡数据。
设计Range Loss的目的概括为：
1.Range Loss应该能够加强训练过程中尾部数据的影响，以防止样本少的类别被样本多的类别所淹没。
2.Range Loss应该惩罚那些样本少的类别带来的稀疏样本的分布。
3.同时，扩大类间距离。

range loss的损失函数如下：
在这里插入图片描述
其中，α和β表示权重参数

1） $R_{intra}$ 表示惩罚每个类的最大调和范围的类内损失：
在这里插入图片描述
其中，I表示mini-batch； $D_{j}$ 表示第j类的最大距离。
e.g.：第j类的最大距离

总损失是每个类中第k个最大范围的调和平均值。经验表明K＝2带来了良好的性能。

2） $R_{inter}$ 表示类间损失：
在这里插入图片描述
其中， $D_{Center}$ 是类中心之间的最短距离，定义为该类中所有输出特征的算术平均值。
在mini-batch中，Q类中心和R类中心之间的距离是所有类中心的最短距离。
m表示一个超参数，作为最大优化间隔。

3）最终损失函数可以表述为（和softmax loss相结合）：
在这里插入图片描述
range loss的直观解释：
作者在这利用的是调和平均值来解决的类内距离的，其中k的值，作者按照经验设置为2。值得一提的是，调和平均值特别受到极值的影响。

整体算法流程如图所示：

Range loss对mini-batch设置：
根据作者的经验，最好构造这样一个小批量，其中包含多个类和每个类中相同数量的样本。例如，作者在实验中将mini-batch大小设置为32，在一批中设置4个不同的身份，每个身份含有8个图像。对于那些小网络，通常将批大小设置为256，一批中有16个身份，每个身份含有16个图像。

实验结果
作者在LFW和YTF数据库上在VGG网络的基础上加上了range loss分别进行了实验，实验结果如图所示。
在这里插入图片描述
从实验的结果中可以看出，利用了range loss之后不截取tail的识别率明显高于截取了50%的结果。这说明了，range loss减少了poor class对识别率的影响。

为了能够说明range loss的普遍适应性，作者在ResNet上也进行了实验，实验的结果如图所示。
在这里插入图片描述
其中model D 是仅利用softmax loss，model E是利用softmax loss和range loss的联合损失。

总结：
Range loss同时约束类内紧凑类间分离，类内紧凑约束为每个类最小化两个最大类内距离，类间分离约束为每次都计算每个类别中心，并使类中心距离最小的两个类别距离大于margin m。

参考：https://blog.csdn.net/u011732139/article/details/79862202

注：博众家之所长，集群英之荟萃。

猜你喜欢