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

最新推荐文章于 2022-10-21 00:08:09 发布

fuxin607

最新推荐文章于 2022-10-21 00:08:09 发布

阅读量891

点赞数

分类专栏：计算机视觉文章标签： person re-identification

本文链接：https://blog.csdn.net/fuxin607/article/details/79946963

版权

计算机视觉专栏收录该内容

9 篇文章 0 订阅

订阅专栏

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