深度学习领域,神经架构搜索得到的算法如雨后春笋般出现。 今天一篇arXiv论文《AM-LFS: AutoML for Loss Function Search》,商汤科技揭示使用AutoML方法设计Loss函数,在图像分类、人脸比对、行人重识别等任务中验证其比人工设计的Loss更优秀。 论文作者信息: 其主要思想是设计一种有效的搜索空间,使其可以囊括基于间隔的softmax loss函数(拥有鉴别表示的能力),和以Focal Loss为代表的的重加权方法(解决样本不平衡问题)。 下图是作者提出的搜索空间与现有loss函数的示例, 可见在作者提出的搜索空间里,可以有效近似现存的优秀的手工设计的loss函数。 AM-LFS 伪代码步骤: 通过不断的增加epoch选择最高分数R,更新模型,得到最终的loss函数模型。 实验结果 作者在CIFAR-10进行了分类实验: 相比softmax baseline 显然取得了更好的结果。 作者在人脸比对数据集MageFace上进行了实验: 取得了超越目前state-of-the-art ArcFace的精度。 下面是在行人重识别问题上两个数据集的结果: 相同特征提取算法换上新的loss 函数,取得了明显的精度提升。 论文地址: https:///pdf/1905.07375v1.pdf |
|