线性自适应角边距损失

8模型25损失最优

用线性相似度替代余弦，并自适应分配边距，使模型训练更稳定、特征更具判别力。

宋文伟 · 康文雄 · Kong, Adams Wai Kin · Yufeng, Zhang · Yitao, Qiao

International Journal of Computer Vision 2024

参数信息

对比损失函数数量

25

评估数据集数量

7

应用的SOTA模型数量

8

技术优势

训练更稳

自适应边距约束梯度幅度，既避免过大梯度导致震荡，又避免过小梯度使得优化停滞。

收敛更快

线性相似度让梯度随模型质量提升而单调下降，训练前期大步更新、后期精细调整，省去人工调节学习率。

全面超越

在7个手势认证数据集上胜过25种SOTA损失函数，用在8种SOTA模型上全部提升性能。

即插即用

损失函数独立于模型结构，可替换现有模型的损失而不改网络，代码已开源。

应用场景

• 手势认证：直接换成L3AM损失，不用改网络结构就能提升识别精度。
• 生物特征识别：提供比人脸边距损失更适合行为生物特征的训练信号。
• 具身智能：让机器人更稳定地从手势里认人，交互更可靠。
• 先进机器人：机器人学手势认证时训练更稳、收敛更快。