Pyramidal Person Re-Identification via Multi-Loss Dynamic Training

Pyramidal Person Re-Identification via Multi-Loss Dynamic Training

论文：Pyramidal Person Re-IDentification via Multi-Loss Dynamic Training,cvpr,2019.

链接：paper

代码：github

摘要

论文指出基于特征图水平切块（part-based）的行人重识别很大程度上依赖于目标检测算法的优劣。差的目标检测算法由于无法精确的框出行人，导致在进行局部特征相似度计算和分类时不准确。 论文提出特征图金字塔由粗到细的整合全局和局部特征，并逐渐集成二者之间的线索，从而缓解了精确Box和不对齐的情况。论文同时指出，多任务训练可以提升模型的泛化能力，但是在具体的训练过程中，损失函数的训练目标往往不一致。在行人重识别中，经常使用交叉熵损失和困难三元组损失同时优化模型参数，根据先验知识理解，交叉熵损失函数通过优化模型参数，寻找优异的高维分类平面；triplet loss适合在自由的欧式空间里约束。而且对于这两个损失函数，在训练刚开始的时候，主要依靠交叉熵损失，等到后期难以识别的样本出现，现在三元组损失才真正发挥作用。如果简单地对两个损失函数赋予固定的权重，就不合适了，因此论文提出动态权重损失函数。