类锚聚类：基于距离的损失，用于训练开放集分类器
类锚聚类（CAC）损失是一种完全基于距离的损失，明确鼓励训练数据在logit空间中围绕类依赖的锚点周围形成紧密的聚类。
该存储库包含本文中的培训和评估代码：
类锚聚类：基于距离的损失，用于训练开放集分类器
Dimity Miller，Niko Suenderhauf，Michael Milford，Feras Dayoub
在2021年IEEE / CVF计算机视觉应用（WACV）冬季会议上发布。
如果您使用本作品，请引用：
@inproceedings{millerclass,
title={Class Anchor Clustering: A Loss for Distance-Based Open Set Recognition},
author={Miller, Dimity and Suenderhauf, Nik
2022-02-02 21:23:04
221.66MB
1
交叉熵损失函数原理详解
之前在代码中经常看见交叉熵损失函数(CrossEntropy Loss)，只知道它是分类问题中经常使用的一种损失函数，对于其内部的原理总是模模糊糊，而且一般使用交叉熵作为损失函数时，在模型的输出层总会接一个softmax函数，至于为什么要怎么做也是不懂，所以专门花了一些时间打算从原理入手，搞懂它，故在此写一篇博客进行总结，以便以后翻阅。
交叉熵简介
交叉熵是信息论中的一个重要概念，主要用于度量两个概率分布间的差异性，要理解交叉熵，需要先了解下面几个概念。
信息量
信息奠基人香农（Shannon）认为“信息是用来消除随机不确定性的东西”，也就是说衡量信息量的大小就是看这个
2022-01-10 11:05:24
179KB
1
1.平方损失函数下的贝叶斯估计
定理5.1 在平方损失函数 下, 的贝叶斯估计为后验均值,即
[Pr] 在平方损失函数下,任何一个决策函数 的后验风险为
第三节 常用损失函数下的贝叶斯估计
2022-01-04 16:09:18
2.03MB
1