Margin Sample Mining Loss: A Deep Learning Based Method for Person Re-identification

这篇文章2017年月份就挂载了arxiv上面,一作是CMU的学生,文章应该是投CVPR2018被reject了,没有找到作者的homepage,但是二作在github上面released keras的code https://github.com/michuanhaohao/keras_reid
个人瞎扯:这篇文章我很早就在微信公众号 PaperWeekly上面见过,今天早上忽然想起这篇文章,然后就打算仔细读一下。看这篇文章很重要的一个原因就是因为它比hard triplet loss要好,但是它与state-of-the-art(可能还不是最好的)比的时候在CUHK03 dataset没有提升反而下降了,这可能是被reject的一个原因(个人愚见)。
文章要做的事情(person re-identificatin)
输入:一张图片+dataset      输出:dataset中图片的rank list(retrieval)。

文章在4个datasets上面的实验结果如下表所示。
与metric learning中的loss function的比较
metric learning loss function
与state-of-the-art methods的比较
comparision with state-of-the-art method

trplet loss,quadruplet loss,general quadruplet loss,hard triplet loss以及MSML的公式比较如下所示。
loss function of metric learning methods
文章中给出的相对距离和绝对距离的示意图如下所示。
edge mining samples

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值