重拾 BCE Loss 用于均匀分类
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
该论文提出了一种统一阈值的样本到样本损失（USS损失）用于人脸识别，证明了其高效性，并与样本到类别损失协同工作。训练的人脸模型UniTSFace表现优异，超越了多种先进方法。
❓
Q&A
什么是统一阈值的样本到样本损失（USS损失）？
USS损失是一种用于人脸识别的损失函数，旨在提高模型的识别效率。
USS损失与其他损失函数有什么关系？
USS损失与样本到样本softmax损失和bce损失之间的关系得到了探讨，显示出其协同工作能力。
UniTSFace模型的表现如何？
UniTSFace模型在多个基准数据集上表现优异，超越了CosFace、ArcFace等先进方法。
USS损失的有效性是如何证明的？
通过在多个基准数据集上的广泛评估，USS损失被证明具有高效性。
USS损失如何与样本到类别损失协同工作？
USS损失能够与样本到类别损失无缝协同工作，提升模型的整体性能。
该论文的主要贡献是什么？
该论文提出了USS损失，并展示了其在提高人脸识别模型性能方面的有效性。
🏷️
