行人重识别——表征学习与度量学习

目录

表征学习

分类损失（Classification/Identification Loss）

验证损失（Verification Loss）

度量学习

对比损失（Contrastive loss）

三元组损失（Triplet loss）

改进三元组损失（ Improved triplet loss）

四元组损失（Quadruplet loss）

难样本挖掘

TriHard loss（Triplet loss with hard example mining）

联合训练

---

表征学习

表征学习：没有直接在训练网络的时候考虑图片间的相似度，而是把行人重识别任务当做分类问题或者验证问题来看待。

分类损失（Classification/Identification Loss）

又称ID损失，利用行人的ID作为训练标签来训练模型，每次只需要输入一张图片

• 蓝色线代表相同样本，会激活相同的神经元

• 红色线代表不同样本，会激活不同的神经元

• 只有ID损失的网络称为ID Embedding网络（IDE网络）

IDE网络是ReID中最基础的网络，基准网络，很多网络都是基于这个网络做出来的

• Pool层后得到ReID的特征，但是它的维度未必等于类别数，所以在特征层后接一个分类FC，FC层的维度等于类别数，经过Softmax激活函数计算交叉熵损失

• 测试阶段使用Pool层的特征向量进行检索，分类FC层丢弃，因为测试集和训练集的ID不共享

属性损失（Attribute Loss）

图中的属性如黄头发，黑色上衣，灰色短裤，黑色靴子，具有强辨识度

• 可以同时连接几个属性分类损失，可以增强ReID的性能

• 每一个属性损失都是一个分类的交叉熵

• 可以等效于一个multi-task的网络

• 测试阶段将素有分类FC丢弃，只使用ReID特征

验证损失（Verification Loss）

输入一对（两张）行人图片，让网络来学习这两张图片是否属于同一个行人，等效于二分类问题