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

2020 年 6 月 8 日 极市平台

↑ 点击蓝字关注极市平台识别先机创造未来

| 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

bbs.cvmart.net/topics/149 或直接阅读原文

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。

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

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。

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

参与方式