面向目标重识别的自适应稀疏成对损失
计算机视觉与模式识别
2023-04-03 v1
摘要
目标重识别（ReID）旨在从大型画廊集中找到与给定探针具有相同身份的实例。成对损失在训练强大的ReID网络中起着重要作用。现有的成对损失在 mini-batch 中将每个实例密集地用作锚点并采样其三元组。这种密集采样机制不可避免地引入了视觉相似性很少的正样本对，这可能有害于训练。为解决此问题，我们提出了一种称为稀疏成对（SP）损失的新损失范式，其仅利用 mini-batch 中每个类别的少量适当样本对，并经验性地证明其对ReID任务是充分的。基于所提出的损失框架，我们提出了一种自适应正样本挖掘策略，可动态适应不同的类内变化。大量实验表明，SP损失及其自适应变体 AdaSP 损失优于其他成对损失，并在多个ReID基准上达到最先进性能。代码可在 https://github.com/Astaxanthin/AdaSP 获取。
引用
@article{arxiv.2303.18247,
title = {Adaptive Sparse Pairwise Loss for Object Re-Identification},
author = {Xiao Zhou and Yujie Zhong and Zhen Cheng and Fan Liang and Lin Ma},
journal= {arXiv preprint arXiv:2303.18247},
year = {2023}
}
备注
Accepted by CVPR 2023