摘要

本文从相似性优化的视角出发，探讨深度特征学习，旨在最大化类内相似性 $s_p$，同时最小化类间相似性 $s_n$。我们发现，绝大多数损失函数（包括三元组损失和Softmax结合交叉熵损失）均将 $s_n$ 与 $s_p$ 嵌入相似性对中，并试图最小化 $(s_n - s_p)$。然而，这种优化方式存在灵活性不足的问题，因为对每个相似性得分的惩罚强度被强制设为相等，难以适应不同样本对的优化需求。我们的直觉是：若某相似性得分与最优状态偏离较大，则应给予更强的关注与惩罚。为此，我们提出对每个相似性得分进行简单重加权，以突出那些优化程度较低的得分。这一策略最终导出了一个名为“Circle Loss”的新型损失函数，其名称源于其具有圆形决策边界的特性。Circle Loss为两种基础的深度特征学习范式——基于类别标签的学习与基于成对标签的学习——提供了统一的数学表达形式。理论分析表明，相较于直接优化 $(s_n - s_p)$ 的传统损失函数，Circle Loss能够提供更为灵活的优化路径，并导向更明确的收敛目标。实验结果进一步验证了Circle Loss的优越性，在人脸识别、行人重识别以及多个细粒度图像检索数据集上，其所取得的性能均达到或接近当前最先进的水平。