本文用正交softmax层来减轻少样本分类利用NN做易过拟合的问题。思路是：对于分类器的分类权重层，令其正交化。就是分类器的权重向量两两正交化。原理比较清晰易懂，实现时将权重向量的部分链接进行移除（dropout），但是这个移除在训练和测试是固定的，不是学习的，没有在优化过程中进行限制。本文的方法叫做OSL（orthogonal softmax layer），下图是不同数据上分类器权重之间的角度，角度越大，泛化能力越好，精度越高。
前面提到少样本（小数据集）分类的重要性在于避免过拟合，相关方法：数据增强、域适应、学习判别特征、ensemble方法、正则化（L2、Dropout）。为了保证分类器权重有大角度，OSL的方法是对权重进行去相关处理，就是分别将每个权重部分置零。
上式就是mask矩阵M与权重W的内积然后乘以输入v后进行softmax。M的格式就是：
其中M的对角线上的元素都是列向量，元素都为1，非对角线上的元素也都是列向量，元素都为0。通过与W相乘，就得到了不相关的权重矩阵。试想此时的权重矩阵极端情况下就变成了单位阵！所以是非相关。这就是该方案的思想，当然一个缺点就是特征维度得大于类数目，不然就是非满秩的，没法达到两两线性无关。
下图是dropout和osl的示意图：
在小数据集上的表现也还行：
在网络变深的时候均会下滑（变深的时候就没那么抗打过拟合了）：
在大数据集上也和正常CNN差不多：
