URL:
论文pdf
TL;DR
识别softmax相关文章。主要目的是对类别自适应的margin。
方法
框架结构图
方法创新点主要包括3个部分：AdaM-Softmax，ADS和HPM。
Adaptive Margin Softmax
如下图，以cosface为例，深蓝色区域为我们想要约束 的特征空间，但实际的特征空间却是浅蓝色区域。原因主要为
的数据量比较少。但如图(b)所示，如果我们给
一个比较大的margin就可以学习到比较好的特征空间。
margin对不同类别的影响
如下，loss函数比较简单。将cosface(或者arcface等)的margin 改为参数学习，然后约束各类别的margin的平均值最大。
adam softmax loss
如下图，可以明显得看出相比于cosface，adam-softmax不同类别之间的特征更加易区分。
特征空间示例对比
Hard Prototype Mining:挑选容易误判的sample进行参数更新。
Adaptive Data Sampling:每次迭代时增大错误样本的采样，减小简单样本和脏数据（卡阈值）的采样
实验上也有较明显的涨点。
实验
