用于行人重识别的难样本感知点集深度度量
计算机视觉与模式识别
2018-07-31 v1
摘要
由于姿态、视角、光照和遮挡的巨大变化，行人重识别（re-ID）是一项极具挑战性的任务。深度度量学习通过度量损失（如三元组损失）监督训练深度网络，为行人重识别提供了令人满意的解决方案。然而，深度度量学习的性能受到传统采样方法的极大限制。为解决该问题，我们提出了一种具有软难样本挖掘方案的难样本感知点集（HAP2S）损失。基于点集三元组损失框架，HAP2S 损失自适应地为更难的样本分配更大权重。与其他最先进的损失函数相比，我们观察到若干优势特性：1）准确性：HAP2S 损失在三个大规模基准数据集上始终取得比其他替代方法更高的重识别准确率；2）鲁棒性：HAP2S 损失比其他损失对离群点更鲁棒；3）灵活性：HAP2S 损失不依赖于特定的权重函数，即 HAP2S 损失的不同实例化同样有效；4）通用性：除行人重识别外，我们将所提方法应用于通用深度度量学习基准（包括 CUB-200-2011 与 Cars196），同样取得了最先进的结果。
引用
@article{arxiv.1807.11206,
title = {Hard-Aware Point-to-Set Deep Metric for Person Re-identification},
author = {Rui Yu and Zhiyong Dou and Song Bai and Zhaoxiang Zhang and Yongchao Xu and Xiang Bai},
journal= {arXiv preprint arXiv:1807.11206},
year = {2018}
}
备注
Accepted to ECCV 2018