本文深入探讨了Person Re-Identification中Triplet Loss的应用，分析了不同类型的Triplet Loss，如Large Margin Nearest Neighbor、FaceNet、Batch All和Batch Hard，以及Lifted Embedding Loss。研究指出，合适的Hard Mining策略和Soft-margin函数对训练至关重要。实验表明，Batch Hard + soft-margin的组合在Re-ID任务中表现出色，但预训练模型并非总是最佳选择，自定义网络也能取得良好效果。
一篇讲Person Re-ID的论文，与人脸识别(认证)有很多相通的地方。
文章链接： 《In Defense of the Triplet Loss for Person Re-Identification》
Github链接：https://github.com/VisualComputingInstitute/triplet-reid 目前还没有放出代码，作者说等论文录用了就放出来。
Introduction
Re-ID和图像检索有点类似。这样来看，Google的FaceNet利用Triplet Loss训练的高度嵌入的特征，似乎很适合做这样大范围的快速比对。 但是，很多的研究文献表明常见的classification或者结合verification Loss比Triplet Loss似乎更适合这个任务。 他们通常将CNN作为特征提取器，后面再接专门的测度模型。但是这两种Loss有着明显的缺点：
Classification Loss： 当目标很大时，会严重增加网络参数，而训练结束后很多参数都会被摒弃。
Verification Loss： 只能成对的判断两张图片的相似度，因此很难应用到目标聚类和检索上去。因为一对一对比太慢。
但是 Triplet Loss还是很吸引人啊： 端到端，简单直接； 自带聚类属性； 特征高度嵌入。
为什么Triplet训不好呢或者说不好训呢？
首先需要了解，hard mining在Triplet训练中是一个很重要的步骤。 没有hard mining会导致训练阻塞收敛结果不佳，选择过难的hard又会导致训练不稳定收敛变难。此外，hard mining也比较耗时而且也没有清楚的定义什么是 “Good Hard”。
文章的贡献主要有两个方面：
(1) 设计了新的Triplet Loss，并和其它变种进行了对比。
(2) 对于是否需要 pre-trained模型，进行了实验对比分析。
Triplet Loss
这一小节主要介绍几种Triplet 变种。
Large Margin Nearest Neighbor loss
比较早的Triplet形式(参考文献[1])。 \(L_{pull}\) 表示拉近属于同一目标的样本； \(L_{push}\) 表示拉远不同目标的样本。
由于是最近邻分类，所以同一类当中可能有多个cluster，而且固定的cluster中心也比较难以确定。
FaceNet Triplet Loss
Google的人脸认证模型FaceNet(参考文献[2]), 不要求同类目标都靠近某个点，只要同
最低0.47元/天 解锁文章
扫一扫
915
到【灌水乐园】发言
