最近在搞三元组损失来做分类的任务，用了VGG16模型进行主干网络进行特征提取，最后用triplet loss来约束网络进行学习。
三元组损失是来优化正样本，负样本与锚点之间的距离的，以margin作为阈值。
但是我在训练时发现使用数据增强的情况下triplet loss并不能降到margin以下，反而是停留在margin附近，此时正样本，负样本，锚点距离都为0，聚在了一起。
而不使用数据增强时只要特征维度不是太小loss就可以降到margin以下。
我的学习率设置为0.0005，MomentumOptimizer，momentum=0.9。
是因为样本本身的原因吗？或者是网络本身的原因？
希望能得到大家的指点，感谢。
可以将margin设置较大，太小的话loss可能收敛比较好，有可能无法拉近anhor与正样本距离。
我最近也遇到类似的问题，输入的feature是128维度的；训练的时候，随机挑选8个类别，每个类别随机挑选8个sample，以此构成一个batch size为64的mini-batch，进行batch-hard triplet loss训练。
我发现训练过程模型收敛有很大随机性，有时候能按照正确的方向收敛，即同类别的feautre距离小，不同类别的feature距离大；有时则出现楼主提到的现象，feature间的距离都为0，triplet loss拟合到margin附近；
向有经验的同学请教后，他提到可以加入另外的softmax loss一起训练，softmax loss实际上是主要的，帮助每一个类别的feature都能有一个固定的方向拟合，而triplet loss则是辅助的，让不同类别间的距离加大，目前还在试，不知道什么结果。
不知道楼主就这个问题有没有进展？？
楼主，几年过去了，请问您当时如何解决的，为我们提供下经验，感谢感谢