Beyond triplet loss—— Re-ID

最新推荐文章于 2025-10-17 17:49:54 发布
原创 最新推荐文章于 2025-10-17 17:49:54 发布 · 1.1w 阅读 · 13 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #神经网络 #Re-ID

这篇博客探讨了CVPR2017上的一篇论文，该论文针对Person Re-ID任务改进了Triplet Loss，提出了一种四元组网络以减小类内方差并增加类间方差。文章介绍了新损失函数的构建，包括Softmax约束和自适应margin设定策略，并讨论了训练方法。尽管许多方法声称提高了Re-ID性能，但实际提升并不显著，强调了每种方法在不同任务上的适用性需要实际验证。

一篇讲Person Re-ID的论文，来自CVPR2017，同样是改进了Triplet Loss。

文章链接： 《Beyond triplet loss: a deep quadruplet network for person re-identification》

Introduction

float

文章的出发点就在上面这张图。 如上图a，传统的Triplet Loss可能在test集上泛化效果一般，主要是因为类内方差依然比较大。文章对此增加了新的约束，用于 减小类内方差 和 增加类间方差。

即，新的Loss不仅要求 \(B_1B_3< B_1A_3\) 同时要求 \(C_1C_2< B_1A_3\)。

减小类内方差 和 增加类间方差 这一经典思想早期主要流行在线性判别分析(LDA)上。 Deep Learning时代，DeepLDA(参考文献[1])将这一思想继续发扬光大，不过好像训练难度比较大。 ImpTrpLoss(参考文献[2]) 同样考虑到进一步约束类内误差，他们在Triplet Loss

最低0.47元/天 解锁文章
论文阅读：Beyond triplet loss: a deep quadruplet network for person re-identification
李加贝的博客
11-10 1312
之前的工作通常将person ReID作为一个ranking task，并且使用triplet loss，triplet loss主要是为了在映射空间中获得一个图像和identities的正确顺序，但是基于这种方法的模型，泛化能力不好，作者认为这潜在的原因是由于triplet loss会导致一个相对较大的类内差异，通过缩小类内差异并且增加类间差异可以进行改善 针对上述问题，作者基于triplet loss进行修改，提出了一个quadruplet ranking loss, 实现了缩小类内差异以及增加类间差
行人重识别（Person Re-ID）【四】：论文笔记——Beyond Part Models: Person Retrieval with Refined Part Pooling
volcano_Lin 的博客
10-24 7358
论文：Beyond Part Models: Person Retrieval with Refined Part Pooling 链接：http://openaccess.thecvf.com/content_ECCV_2018/papers/Yifan_Sun_Beyond_Part_Models_ECCV_2018_paper.pdf 代码：https://github.com/syfa...
行人再识别：Beyond triplet loss: a deep quadruplet network for person re-identification
Shawn
08-30 2845
摘要 1.设计了一个四元损失函数，相比于三元损失该损失函数可以有效增加类间间距、减小类内间距 2.提出了一种自适应选取hard examples的方法 3.对比分析了不同损失函数之间的关系 损失函数 常用的三元损失： 其中[z]+=max(z,0)，f(xi), f(xj), f(xk)表示三张输入图像的特征。 文中采用了类似于[CVPR2016_Joint learning o...
Loss/损失函数05：Triplet Loss（三元组损失）详解【拉近类内距离、拉远类间距离】【应用场景：人脸识别、图像检索、行人重识别、签名验证、语音识别】
最新发布
u013250861的博客
10-17 871
相似的图像（如同一个人的不同照片）在特征空间中距离很近不相似的图像（如不同人的照片）在特征空间中距离很远传统的分类损失（如交叉熵）需要预先知道所有类别，但在人脸识别中，我们可能会遇到训练时没见过的新人脸。Triplet Loss通过学习一个嵌入空间（Embedding Space），使得相似样本靠近，不相似样本远离，从而解决这个问题。三元组结构目标DapαDanDapαDan损失函数L∥fa−fp∥2−∥fa−fn∥2αL∥fa−。
Beyond triplet loss: a deep quadruplet network for person re-identification泛读记录
论文学习笔记-《Fast Online Object Tracking and Segmentation- A Unifying Approach》
06-14 895
文章目录概述方法The triplet lossThe quadruplet lossRelationships of different lossescontrastive loss 概述 三元损失训练的模型泛化能力不强，类内方差依然较大，作者提出四元损失函数，用于减小类内方差 和 增加类间方差。 贡献 1.四元损失函数 2.基于边缘在线难例选择策略 3.对Loss的理论分析 4.实验 方法 T...
行人检索--Beyond triplet loss: a deep quadruplet network for person re-identification
AI小作坊 的博客
04-19 5093
Beyond triplet loss: a deep quadruplet network for person re-identification CVPR2017 https://arxiv.org/abs/1704.01719本文使用深度学习进行行人检索，侧重点主要在损失函数的改进，提出了 quadruplet loss 用于减小类内方差 和 增加类间方差上图显示，在我们新的 quadr
triplet loss 原理以及梯度推导
热门推荐
tangwei2014的专栏
07-07 7万+
【理解triplet】 【理解triplet loss】 【triplet loss 梯度推导】 【算法实现的小提示】
近红外跨模态行人重识别（RGB-IR Cross-Modality Re-id）(一)
weixin_38208912的博客
12-02 4626
1. 写在前面 本文是我阅读近红外的跨模态行人重识别（RGB-IR Cross-Modality Re-id）文献的笔记，由于网上对该方面介绍的博客很少，所以这里我记录下阅读文章的一些要点和我自己对这些问题的思考。 2. 综述 1. Beyond Intra-modality Discrepancy: A Comprehensive Survey of Heterogeneous Person ...
【论文阅读】行人重识别（Person Re-identifition）——Batch Feature Erasing for Person Re-identification and Beyond
qq_40605139的博客
07-13 1228
《Batch Feature Erasing for Person Re-identification and Beyond》 原文 论文链接:https://arxiv.org/abs/1811.07130 代码链接:https://github.com/daizuozhuo/batch-feature-erasing-network 1. 解决的问题 行人重识别目前所用的方法，如...
泛读论文：Person-reID 行人重识别合集
汪汪汪的博客
03-19 1万+
2017CVPR、ICCV和NIPS在Person Reidentification方向的相关工作小结 基于融合特征的行人再识别方法 模式识别与人工智能 2017.3 问题 目前常用的行人再识别方法主要集中在行人外形特征的描述和同一行人对应的 2 幅图像之间距离的学习度量．由于行人图像的亮度和相机角度的变化等，提取行人的外形特征的不变性较难，因此在各个图像库上行人再识别的识别率较低 ...
Reid 的loss
myh12138的博客
05-08 827
在ReID中常见的loss有Identity Loss、Verification Loss、Triplet loss 1.Identity Loss. 把ReID问题看做是一个图像分类问题，每一个ID都是一个类。 2.verification loss可以度量两个样本之间的关系 verification loss可以度量两个样本之间的关系 3. Triplet loss Re-ID模型训练过程可视为一个检索排序问题。如图所示， 其基本思想是，通过预定义的边缘（margin），正对之间的距离应该小于负对样本之
基于迁移学习的鲸鱼识别
01-07
使用keras实现的基于siamese和tripletnet的鲸鱼识别。
PyTorch triphard代码理解
zj
01-03 4617
首先上代码，这份实现非常简洁优雅！ class TripletLoss(nn.Module): """Triplet loss with hard positive/negative mining. Reference: Hermans et al. In Defense of the Triplet Loss for Person Re-Identifi...
【CV论文阅读】Deep Linear Discriminative Analysis, ICLR, 2016
weixin_30463341的博客
05-04 558
DeepLDA 并不是把LDA模型整合到了Deep Network，而是利用LDA来指导模型的训练。从实验结果来看，使用DeepLDA模型最后投影的特征也是很discriminative 的，但是很遗憾没有看到论文是否验证了topmost 的hidden representation 是否也和softmax指导产生的representation一样的discriminative。 DeepLDA...
深度学习8 keras中triplet network的搭建
a486259的博客
06-15 2731
1、基本库导入 import keras import numpy as np import matplotlib.pyplot as plt import random from keras.datasets import mnist from keras.models import Model from keras import layers from keras.optimizers import RMSprop from keras import backend as K ...
深度学习triplet loss 做人再识别（person-reid）
谷雨的博客
02-21 1万+
最近需要做这个课题，采用深度学习做，废话不多说，直接说一下我的思路以及遇到的问题，希望能有人交流一下（哭，效果一直不好，找不到原因）。主要是参照cvpr的这篇论文Person Re-Identification by Multi-Channel Parts-Based CNN with Improved Triplet Loss Function.pdf（链接http://z-yt.net/tmp/
论文笔记3 --（ReID）In Defense of the Triplet Loss for Person Re-Identification
对角巷
11-27 1万+
(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。
【Person Re-ID】In Defense of the Triplet Loss for Person Re-Identification
大雄的专栏
12-14 1576
paper下载地址：https://arxiv.org/abs/1703.07737 code下载地址：https://github.com/VisualComputingInstitute/triplet-reid Introduction 本文主要是针对triplet loss做的改进：triplet loss最重要的步骤就是hard-mining，而在选择hard-example过程中
论文水记|How to Train Triplet Networks with 100K Identities?
bea_tree的博客
09-26 4080
这是来自猎户星空的关于人脸识别的文章 作者 Chong Wang ；Xue Zhang ；Xipeng Lan https://arxiv.org/abs/1709.02940 好久没有写博客了，水一篇。。。一句话总结对应triplet的训练，多采用OHNM的方式挖掘困难负样本，然而随着训练数据的增加，easy-triplet更多，困难样本的搜索空间增大，于是本文将训练数据分为若干小部分
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值