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

阅读更多
文章标签: person re-identification
个人分类: 计算机视觉
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页

关闭
关闭
关闭