negative margin.few shot:PyTorch实施“负保证金事项” 源码

负保证金事项:了解很少的分类中的保证金 ,,林宇彤,李琦,,,。 此回购协议是PyTorch上的的正式实现。 于2020/07/01更新 我们的论文被ECCV 2020接受为焦点! 介绍 本文最初在中进行了介绍,该文章将基于度量学习的几次射击学习方法引入了负余量损失。 负边距损失明显优于常规softmax损失,并且在三个标准的少打分类基准上几乎没有花哨的情况就达到了最新的准确性。 这些结果与度量学习领域的常规做法相反,即边距为零或正。 为了理解为什么负边距损失对于短镜头分类的效果很好,作者从经验和理论上分析了具有不同边距的训练和新颖课程的学习特征的可辨别性。 他们发现,尽管负余量降低了训练班级的特征可辨性,但它也可以避免将同一小说班级的样本错误地映射到多个峰值或簇,从而有利于区分小说班级。 引文 @article{liu2020negative, title={Negative M