Hard-Aware Point-to-Set Deep Metric for Person Re-identification 论文笔记

一、提出问题

度量学习是行人重识别任务中的重要组成部分之一，但是度量损失的性能受采样方法的显着影响，传统的采样方法极大地限制了深度度量学习的性能。

二、论文贡献

• 提出了一种新的度量损失，即硬感知点集（HAP2S）损失，该损失涉及自适应困难挖掘机制；
• 在Market-1501，CUHK03和DukeMTMC-reID 三个数据集上进行测试，HAP2S损失达到了SOTA。

三、模型结构

图3-1 模型结构

3.1 概况

深度度量度学习的目的是学习一个将图像x映射到对应的特征表示的深度神经网络，其适合于预定义的度量，在Θ中包含网络的参数权重和偏差。 对于行人重识别，可以通过训练好的深度提取探测器提取probe和gallery图像的特征，然后计算两者特征之间的距离并获得距离排序列表。在其中度量损失的作用是为监督网络训练提供判别度量。

       模型结构如图3-1所示，采用预训练的CNN模型作为骨干网络，将每个行人图像转换为特征嵌入，本文选用的骨干网络是ResNet-50模型，它由五个下采样块和一个全局平均池化层组成。骨干网络之后是两个全连接层，分别具有1024和128个神经元。在骨干网和两个FC层之后，利用网络提取的输出特征计算小批量中的HAP2S损失，用欧式距离作为点对点（P2P）的度量。

3.2 回顾Triplet Loss

       设一个三元组，是锚点，