本文汇总了常见的度量学习损失函数，包括对比损失、三元组损失、四元组损失、TriHrad损失和MSML损失，详细解释了它们的工作原理和改进策略，旨在优化特征空间中的样本分布，提升行人重识别等任务的性能。
常用的度量学习损失方法有对比损失（Contrastive loss）、三元组损失（Triplet loss）、四元组损失（Quadruplet loss）、难样本采样三元损失（Triplet hard loss with batch hard mining，TriHrad loss）、边界挖掘损失（Margin sample mining loss，MSML）。首先假如有两张输入图片I1和I2，通过网络的前馈我们可以得到它归一化后的特征向量f(I1)和f（I2），可定义这两张图片特征向量的欧式距离为：
Contrastive loss
对比损失用于训练孪生网络（Siamese network）,其结构如下图所示，孪生网络的输入为一对（两张）图片(Ia和Ib)，这两张图片可以为同一行人，也可为不同行人。每一对训练图片都有一个标签y，其中y=1表示两张图片属于同一个行人（正样本对），反之y=0表示它们属于不同行人（负样本对），最后对比损失函数写作：
最低0.47元/天 解锁文章
2362
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
