【论文笔记】In Defense of the Triplet Loss for Person Re-Identification

1、前言

Triplet loss是非常常用的一种deep metric learning方法，在图像检索领域有非常广泛的应用，比如人脸识别、行人重识别、商品检索等。传统的triplet loss训练需要一个三元组，包括三张图片：achor,positive,negative，分别简写为a,p,n。==Triplet loss的缺点在于随机从训练集中挑选出三张图片，那么可能会出现挑选出来的很可能是简单的样本，比如很像的正样本对和很不像的负样本对。作者认为，让网络一直学习简单的样本会限制网络的泛化能力，因此提出一种在线batch hard sample mining的改进版triplet loss，我喜欢简写为TriHard loss==。我复现了这种方法，并且大量实验表明，这种改进版的方法效果非常好。

2、方法

首先，假如有两张输入图片$I_1$和$I_2$，通过网络的前馈我们可以得到它们归一化后的特征向量$f_{I_1}$和$f_{I_2}$。我们定义这两张图片特征向量的欧式距离为：

dI1,