【技术实现步骤摘要】
一种基于闵可夫斯基距离的中心损失扩展方法
[0001]本专利技术涉及了深度学习、计算机视觉领域,具体涉及了一种基于闵可夫斯基距离的中心损失扩展方法。
技术介绍
[0002]在过去的十年里,许多新的损失函数被提出,这大大加速了深度神经网络在人脸识别上的发展。作为一种众所周知的损失函数,中心损失与单独使用Softmax Loss相比可以显著提高人脸识别的性能。中心损失的初始思想是通过计算类内样本与相应类中心之间的所有欧氏距离的平方的线性总和来作为惩罚。然而,这并不是一个合适的选择,因为,深度特征的判别能力是由类边缘上的样本决定的,而不是由靠近类中心的样本决定的。
技术实现思路
[0003]本专利技术为了克服中心损失在此方面的不足,提出了一种新的基于闵可夫斯基距离和中心损失的损失函数,以提高无约束人脸识别的性能。
[0004]本专利技术为克服其技术问题所采用的技术方案是一种新的基于闵可夫斯基距离和中心损失的损失函数。包括以下步骤:
[0005]a.将欧氏距离的平方推广到n阶闵可夫斯基距离的n次幂:
[0006][0007]其中,X=(x1,x2,...,x
k
,)和Y=(y1,y2,...,y
k
,)∈R
k
。
[0008]b.根据步骤a,我们可以得出欧氏距离的平方实际上是n阶闵可夫斯基距离的n次幂的一种特殊情况(n=2),我们将中心损失中欧氏距离的平方替换为n阶闵可夫斯基距离的n次幂,以得出新的MC损失的公式:
...
【技术保护点】
【技术特征摘要】
1.一种基于闵可夫斯基距离的中心损失扩展方法,其特征在于,所述方法包括:(a)将欧氏距离的平方推广到n阶闵可夫斯基距离的n次幂;(b)根据步骤(a),将中心损失中欧氏距离的平方替换为n阶闵可夫斯基距离的n次幂得出新的MC损失的公式;(c)利用步骤(b)中得到的新的MC损失与Softmax Loss一起监督训练过程,通过训练调整MC损失影响的权重得出最终的总损失;(d)通过标准的随机梯度下降法进行优化。2.根据权利要求1所述的一种基于闵可夫斯基距离的中心损失扩展方法,其特征在于,所述步骤(a)得到的表达式为:其中,X=(x1,x2,
…
,x
k
,)和Y=(y1,y2,
…
,y
k
,)∈R
k
。3.根据权利要求2所述的一种基于闵可夫斯基距离的中心损失扩展方法,其特征在于,所述步骤(b)中得到的新MC损失公式为:其中n∈R>0,n设为2、3、4、
…
;由式(2)观察的变化,其中,...
【专利技术属性】
技术研发人员:陈剑升,张子健,张远来,魏欣,晏斐,徐健锋,
申请(专利权)人:南昌大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。