本文介绍了度量学习在Re-Id算法中的应用，特别是MSML（Margin Sample Mining Loss）方法。相比于Triplet Loss和Quadruplet Loss，MSML通过挖掘硬样本，同时考虑相对和绝对距离，提高了网络性能。实验表明，MSML在Resnet50等基准网络上的表现优秀。
方法
1、基于损失函数的Re-Id算法
Re-Id算法按损失函数划分有：表示学习（Representation learning）和度量学习（metric learning）两大类，表示学习将Re-id问题转为为分类问题，常见是用softmax分类函数以及它的变式（A-softmax;AM-softmax;arc-softmax）为代表，这些也是人脸验证和识别常用的损失函数，是将提取的特征，在特征分布空间中以明确的决策边界将不同的类进行划分达到识别身份的效果。而我们本文介绍的度量学习是通过度量函数让正样本对距离尽可能的小，而负样本对距离尽可能的大，在特征分布空间中以聚类的形式呈现，没有明确的决策边界表示。代表有(contrastive loss;triplet loss;quadruplet loss; trip-hard loss;MSML)
基于表示学习的二分类特征分布：
基于度量学习的triplet loss特征分布：
2、Re-id 度量学习算法
由于度量学习算法让网络对大部分样本对学习都比较容易，需要硬样本来提高网络的性能，因此大部分的研究都旨在如何设计损失函数来挖掘硬样本让网络学习。MSML(Margin Sample Mining Loss:)就是通过挖掘硬样本来提高网络性能，具体如何挖掘以及它和其他度量学校算法的比较如下：
2.1 Triplet loss（三元组损失）
公式：
这里的 ( z ) + = m a x ( z , 0 ) (z)_+=max(z,0) (z)+
最低0.47元/天 解锁文章
扫一扫
827
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
