triplet loss 在深度學習中主要應用在什麼地方？有什麼明顯的優勢？

反對工業界softmax解決一切的說法

Triplet loss通常是在個體級別的細粒度識別上使用，傳統的分類是花鳥狗的大類別的識別，但是有些需求是要精確到個體級別，比如精確到哪個人的人臉識別，所以triplet loss的最主要應用也就是face identification，person re-identification，vehicle re-identification的各種identification識別問題上

• 當然你可以把每個人當做一個類別來進行分類訓練，但是往往最後會造成softmax的維數遠大於feature的維數，想想resnet50 global ap出來一個2048的feature對應到一個幾萬，幾十萬的分類softmax就可怕。
• 另外一個結論就是triplet loss通常能比classification得到更好的feature，我個人測試triplet loss至少比classification高10個點。
• 還有一個優點就是triplet loss 可以卡閾值，triplet loss訓練的時候要設置一個margin，這個margin可以控制正負樣本的距離，當feature 進行normalization之後，可以更加方便的卡個閾值來判斷是不是同一個ID

當然triplet loss也有缺點，就是收斂慢，而且比classification更容易overfitting（此條待考究，並且即使過擬合了也比classification性能要好），此外需要對輸入的數據按照label進行特別的排列，非常重要的一點是沒有triplet loss的API，新手小白可能連十行代碼都不到的triplet loss都寫不出來，所以deep learning不只是調庫調參而已

現在triplet loss已經有很多改進版本了，可以搜索improved triplet loss， in defense of triplet loss，beyond triplet loss等論文

此類在分類上進行刻意的同類和異類區分的loss可以讓最後得到的特徵向量間同類間的距離儘可能小，異類間的距離儘可能大。