24、基于CNN中融入PCA损失的行人重识别与基于互补学习器的鲁棒实时视觉跟踪

基于CNN中融入PCA损失的行人重识别与基于互补学习器的鲁棒实时视觉跟踪

在计算机视觉领域，行人重识别和视觉目标跟踪都是极具挑战性且应用广泛的任务。本文将介绍一种新的行人重识别损失函数PCA损失，并探讨如何利用互补学习器实现鲁棒实时的视觉跟踪。

行人重识别实验

1. 玩具示例对比

由于PCA损失和中心损失的动机相似，通过一个玩具示例对它们进行比较。将softmax损失、中心损失和PCA损失分别与LeNet结合，把嵌入层的输出维度降至2，这样可以直接绘制特征进行可视化。从MARS数据集中选择十个身份来训练CNN并展示特征分布。结果表明，中心损失和PCA损失能产生更具区分性的特征，这在行人重识别任务中是非常有利的。

为了定量描述提取的特征，计算所有类别的类内方差平均值，结果如下表所示：
| 损失函数 | 平均类内方差 |
| — | — |
| Softmax损失 | 204.916 |
| Softmax损失 + 中心损失 | 2.472 |
| Softmax损失 + PCA损失 | 2.444 |

可以看出，PCA损失通常能提取出类内方差更小的特征，因为它直接优化代表类内方差的特征值。

2. 数据集和实验协议

选择了七个行人重识别数据集来验证方法的有效性，这些数据集在规模、背景、光照等因素上差异很大。各数据集的统计信息和评估协议如下表：
| 数据集 | ID数量 | 训练集 | 验证集 | 探针集 | 图库集 |
| — | — | — | — | — | — |
| CUHK03 | 1467 | 21886