逃不开的安迪-比尔定律，在智能机器人时代该如何破解？

智能终端总逃不开安迪-比尔定律，无论硬件性能有多大提升，都会被软件的更新换代消耗殆尽。人类对美好生活的追求是无止境的，这也决定了软件的更新换代不会停止，决定了终端算力的持续稀缺。为了解决这一问题，智能硬件产业界由此走出了“复杂问题上云解决”和“算法轻量化以适配终端”两条主流的解决路径。

优必选人形机器人Walker X视觉识别

在“算法轻量化以适配终端”这条道路上，优必选科技深耕多年，伴随着机器人产业的商业化实践，也摸索出了一批卓有成效的算法轻量化方法论。相关研究成果已应用于公司研发的机器人，同时研究院团队基于这一研发成果创作的论文《RA Loss: Relation-Aware Loss for Robust Person Re-identification》（用于鲁棒行人重识别的关系感知损失函数），被第16届亚洲计算机视觉会议（The 16th Asian Conference on Computer Vision， ACCV2022）收录。ACCV 是两年一度的领先国际会议，主要由亚洲计算机视觉联合会主办，该会议为研究人员、开发人员和从业者提供了一个交流计算机视觉及相关领域的新问题、解决方案和技术的重要平台，并征集高质量的原创研究进行发表。

论文原标题：RA Loss: Relation-Aware Loss for Robust Person Re-identification

下载链接：

https://openaccess.thecvf.com/content/ACCV2022/papers/Wang_RA_Loss_Relation-Aware_Loss_for_Robust_Person_Re-identification_ACCV_2022_paper.pdf

---

该篇论文提出了用于鲁棒行人重识别的关系损失函数，相比现有算法，新算法能以更少的算力实现同等的识别性能。以下是本论文的核心观点：

现有用于行人重识别任务的基于关系的损失函数往往由两个步骤组成：首先，构造正样本对和负样本对；然后，对正负样本对施加约束以提高类内紧致性和类间分离性。然而，在一次优化过程中，传统的基于关系的损失函数往往只考虑几个样本对的信息，而忽略了所有样本对所包含的更为宏观的信息。这将不可避免地带来对间差异性问题（intra-pair variation），即不同的同类型样本对的收敛状态不一致。

针对上述分析，我们提出了关系感知损失函数（Relation-Aware Loss，简称RA Loss）。RA Loss通过利用样本对之间的关系来缓解对间差异性问题，因而得名关系感知损失函数。关系感知损失函数由两个约束组成，其一为宏观约束（Macro-constraint），其二为微观约束（Micro-constraint）。简言之，宏观约束从宏观角度提高正样本对和负样本对之间的类间分离性(Inter-class separability)，即使得两种样本对分得足够开；微观约束则从微观角度分别作用于正样本对和负样本对，其作用在于提高两类样本对的类内紧致性(Intra-class compactness)。两个约束互为补充、相互合作，有效地解决了对间差异性问题，进而提高模型所提取的行人图像特征的鲁棒性（Robustness）和表征能力(Representation Ability)。

实验证明，本文提出的RA Loss可以有效地提升行人重识别模型在目前已有的三个公开数据集上的性能，能够在受限的算力下使用更小的模型实现同等的准确率效果。