2017 AAAI-A Multi-task Deep Network for Person Re-identification

最新推荐文章于 2024-06-09 21:18:36 发布

_Xiaobo

最新推荐文章于 2024-06-09 21:18:36 发布

阅读量1.4k

点赞数

分类专栏：论文笔记行人重识别文章标签：行人重识别 re-id 计算机视觉深度学习

本文链接：https://blog.csdn.net/weixin_41427758/article/details/80557040

版权

20 篇文章 58 订阅

订阅专栏

18 篇文章 2 订阅

订阅专栏

和之前一篇笔记思路比较像，也是考虑用多任务来做Re-ID来学到相对鲁棒的特征(多个损失)，本文方法中根据不同loss的特点在不同层使用不同的loss来优化感觉很有意思，简单总结下本文的方法部分

binary cls loss目标是使所有的正例距离小于所有负例，这与在query时目标不一样（只需要正例距离小于其对应的负例子），randk loss可以解决这个问题
rank loss会将正样本对在特征空间里有更近的距离，但是正样本对不一定是外观上最相似的？
数据集规模小问题 ==> 跨领域学习：借助较大的数据集辅助小数据集训

The multi-task network：

根据两个任务的不同点设计的网络：
- rank任务需要根据全局特征(low-level features)得到相似性分数
- 分类任务根据局部特征(semantic local features)来进行区分
- 根据上述两个loss的特点用在了网络不同的层来优化，得到对任务更加有利的特征。

rank部分：

三元输入模型：两个卷积层(shared) – > fc(shared) –> triple loss，公式如下:

$L t r p = \sum i = 1 N [| | f A 1 - f A 2 | | 22 - | | f A 1 - f B 2 | | 22 + α] +$ $L_{trp} = \sum^N_{i=1}[||f_{A1}-f_{A2}||^2_2-||f_{A1} - f_{B2}||^2_2 + \alpha]_+$
cls部分：
第三个卷积层的输入是三个input image经过前面两个卷积层256 * 13 * 13的feature map重组成两种类型的图像对，每一对特征图大小为512 * 13 * 13，图像对接着依次送入三个卷积网络输出得到joint feature map，再送入fc网络计算相似性，cls损失使用binary logistic regression loss，公式如下：(感觉少了log?)

$L c l s = - \sum i = 1 N [(1 - y) p (y = 0 | x) + y p (y = 1 | x)]$ $L_{cls} = -\sum^N_{i=1}[(1-y)p(y=0|x)+yp(y=1|x)]$
训练阶段triplet loss优化前两个卷积层，分类loss优化整个网络
测试阶段只使用分类结构

Cross-domain architecture

主要用在辅助数据集上，多任务模型训练目标数据集，这个半监督的方法不是特别理解，思路很有意思，后面接着看
input图像对 –> 两个卷积层(输出Concatate) –> 三个卷积层(输出joint feature map) –> contrastive loss
两个模型上输入图像对的label设计：对两个图像对的label作XNOR操作作为Contrastive loss的label，当两个图像对相同时，拉近两个数据集的joint feature map。
$l a b e l p = l a b e l a ⊙ l a b e l b L c t s = - \sum i = 1 N [y 1 2 d 2 w + (1 - y) 1 2 m a x (0, m - d 2) 2] d w = | | F a - F b | | 2$ $label_p = label_a \odot label_b \\ L_{cts} = -\sum^N_{i=1}[y\frac{1}{2}d^2_w + (1-y)\frac{1}{2}max(0,m-d_2)^2] \\ d_w = ||F_a - F_b||^2$
训练阶段仍然是个多任务，contrastive loss用来将不同数据集同类的joint feature map尽可能的相似
测试阶段只使用在目标数据集上训练的模型
该方法的主要目的是让不同数据集比较相似性的方式可以共享

Implementation:

DataSet and settings:

Multi vs. single task: 对比了测试使用rank loss、训练只用binary logistic classification loss或者triplet loss性能

Cross-domain architecrue: 使用CUHK03作为源数据，将其他四个小数据集作为目标数据集进行实验

Comparison with the state of the arts: 与SOTA结构比较

关注