对比损失（Contrastive Loss）详解

对比损失（Contrastive Loss）是一种常见的度量学习损失函数，它通过学习样本对之间的相似性和差异性，使得相似样本对在特征空间中的距离更小，而不相似样本对的距离更大。这种方法广泛应用于人脸识别、图像检索等任务中。

核心思想

对比损失的基本思想是，通过构建一对样本 ( (x_i, x_j) )，如果这对样本来自同一类（即正样本对），模型应该使得它们在特征空间中的距离更小；而对于不同类别的样本（即负样本对），模型则应该使得它们在特征空间中的距离尽量大。

数学公式

假设：

• ( f ) 表示神经网络模型，用于提取样本的特征表示。
• ( y ) 表示标签，( y = 1 ) 表示样本对 ( (x_i, x_j) ) 是同一类别（正样本对），( y = 0 ) 表示不同类别（负样本对）。
• ( D(f(x_i), f(x_j)) ) 表示样本 ( x_i ) 和 ( x_j ) 在特征空间中的距离，通常使用欧几里得距离。

对比损失的公式定义为：

对比损失公式

$$L_{contrastive}=y\cdot D(f(x_i),f(x_{}$$