COCO Loss represents a widely used framework for evaluating object detection models.

在第2017年神经信息处理系统的会议上：重新思考特征区分与聚合以实现大规模识别

Github项目主页： https://github.com/sciencefans/coco_loss

文章方法简称 congenerous cosine loss, “COCO Loss” ，其目的同样是：

• 拉近同类样本的特征（类内方差小）
• 拉远不同分类样本的特征（类间方差大）

相较于早期时期的Center Loss, COCO Loss表现更为出色，并且在计算复杂度方面也取得了进步。

1. 方法介绍

下面直接介绍该Loss的实际计算流程：

(1) 输入特征与中心特征归一化

\hat {f^{(i)}}=\frac{\alpha f^{(i)}}{|f^{(i)}|}

\hat c_k=\frac{c_k}{|c_k|}

其中c_k被视为第k类目标的特征中心，并且是可学习的参数；具体共有K\$个类别。其表示输入的特征向量f^{{(i)}\in\mathbb{R}}D}（其中i=1,…,N$），即batch size被设定为\mathbb{N}\$.值得注意的是\alpha$是一个具有调节性能的重要参数，在后续章节中将进行详细介绍。

(2) 计算输入特征与每个特征中心的Cos距离

Co