目录
分类损失(Classification/Identification Loss)
改进三元组损失( Improved triplet loss)
TriHard loss(Triplet loss with hard example mining)
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