Geometric loss functions for camera pose regression论文的报告ppt，纯个人制作，原创。

三重态SemiHardLoss PyTorch半硬。基于可在找到的tensorflow插件版本。无需使用此实现来创建暹罗体系结构，就像创建main_train_triplet.py cnn创建过程一样简单！ 对于具有N_CLASSES >> N_SAMPLES_PER_CLASS的分类问题，三元组损失是一个不错的选择。例如，人脸识别问题。 在分类层之前，我们需要切断具有三重态损失的CNN架构。另外，必须添加L2归一化层。 MNIST上的结果 我在MNIST数据集上测试了三重态损失。我们无法直接与TF插件进行比较，因为我没有进行实验，但是从性能的角度来看这可能很有趣。如果您想比较结果，这是训练日志。准确性无关紧要，因为我们不训练分类模型，所以准确性不应该存在。 阶段1 首先，我们训练最后一层和批次归一化层，使验证损失接近0.079。 阶段2 最后，解冻所有层，经过足够的训练和超参数调整

对等丢失功能 此存储库是ICML2020接受的“”的Pytorch Pytorch实现。 所需的包装和环境 支持的操作系统： Windows，Linux，Mac OS X； 的Python：3.6 / 3.7; 深度学习库： PyTorch（需要GPU） 所需软件包： Numpy，Pandas，random，sklearn，tqdm，csv，火炬（如果要估计噪声转换矩阵，则需要Keras）。 实用工具 该存储库包括： :clipboard: 对等丢失功能的多类实现； :clipboard: 深度学习中的对等丢失功能； :clipboard: Peer Loss功能的动态调整策略可进一步提高性能。 运行详细信息（ 每个文件夹的README.md文件中都提到了MNIST，Fashion MNIST，CIFAR-10，CIFAR-100上具有不同噪声设置的对等丢失功能。 的工作流程 加权对等损失函数包括： 决策边界可视化 给定2D合成