面向重识别的中心预测损失
计算机视觉与模式识别
2021-05-03 v1
摘要
强制特定训练样本分布模式的训练损失函数在构建重识别（ReID）系统中起着关键作用。除了区分性的基本要求（即不同身份对应的特征不应混淆）之外，还采用了额外的类内分布约束，例如来自同一身份的特征应靠近其类中心，以构造损失。尽管各种新损失函数取得了进展，但在减少类内差异与允许一定分布自由之间取得平衡仍然具有挑战性。本文中，我们提出一种基于中心可预测性的新损失，即样本必须位于特征空间中的某个位置，使得从该位置我们可以大致预测同类样本中心的位置。预测误差随后被视为一种称为中心预测损失（CPL）的损失。我们表明，在不引入额外超参数的情况下，该新损失带来了更灵活的类内分布约束，同时确保类间样本良好分离。在多个真实世界 ReID 数据集上的大量实验表明，所提损失能取得优越性能，并且可与现有损失互补。
引用
@article{arxiv.2104.14746,
title = {Center Prediction Loss for Re-identification},
author = {Lu Yang and Yunlong Wang and Lingqiao Liu and Peng Wang and Lu Chi and Zehuan Yuan and Changhu Wang and Yanning Zhang},
journal= {arXiv preprint arXiv:2104.14746},
year = {2021}
}