在目標檢測和分類任務中，每一個類別都需要一個編碼來表示，同時，這個編碼會用來計算網絡的loss。比如有貓，狗，豬三種動物，這三種動物相互獨立，在分類中，將其中任意一種分類為其他都同等的錯誤。
在這種情況下，我們比如將貓為0，狗為1，豬為2。就會出現一個問題，三者之間兩兩距離不同。 這在參與損失計算的時候是完全不能接受的：互相獨立的標簽之間，竟然出現了不對等的情況。
因此，需要有一種表示方法，將互相獨立的標簽表示為互相獨立的數字，并且數字之間的距離也相等。
那么我們可以利用向量的正交性，也就是貓[1,0,0]，狗[0,1,0]，豬[0,0,1]。那么三者是相互獨立的。也就是正交的。

可以這么理解，比如某個物體的分類為70%為貓，20%為狗，10%為豬。那么就有輸出向量為[0.7,0.2,0.1]，這個向量可以理解為在One-Hot編碼構成的向量空間中的一個具體值，那么在計算loss的時候，將該值和其groundtruth對應的向量進行比對。在訓練中，如果該物體真的為貓，那么其groundtruth就是[1,0,0]，loss應該抑制后兩個概率而增加第一位的概率。
例如這里假設一種loss計算$$Loss=(GroundTruth?0.5)?Predict$$就能夠得到一個分數，這個分數的提升就代表著第一類的預測得分增大和后兩項的減小。

One-Hot的缺點

當分類數量很大的時候，由于要保證各個分類的正交性，會產生維度爆炸的問題。