面向行人重识别的增量三元组间隔学习
计算机视觉与模式识别
2018-12-18 v1 机器学习
摘要
行人重识别（ReID）旨在跨不同地点部署的多个非重叠视频摄像头匹配行人。为应对这一挑战性问题，已有许多度量学习方法被提出，其中三元组损失是最先进的方法之一。本工作中，我们探究三元组中正样本对与负样本对之间的间隔，并证明大间隔是有益的。具体而言，我们提出一种新颖的多阶段训练策略，学习增量三元组间隔并有效改进三元组损失。我们利用多层次特征图使所学特征更具判别力。此外，我们引入全局困难身份搜索方法，在生成训练批次时采样困难身份。在 Market-1501、CUHK03 和 DukeMTMCreID 上的大量实验表明，我们的方法带来了性能提升并优于大多数现有最先进方法。
引用
@article{arxiv.1812.06576,
title = {Learning Incremental Triplet Margin for Person Re-identification},
author = {Yingying Zhang and Qiaoyong Zhong and Liang Ma and Di Xie and Shiliang Pu},
journal= {arXiv preprint arXiv:1812.06576},
year = {2018}
}
备注
accepted by AAAI19 as spotlight