负样本规模庞大:利用硬距离弹性损失进行重识别
计算机视觉与模式识别
2022-07-21 v1
摘要
我们提出一种动量重识别(MoReID)框架,可在训练中利用极大量的负样本以用于通用重识别任务。该框架的设计受动量对比(MoCo)启发,其使用字典存储当前与过往批次以构建大规模的编码样本集。由于我们发现在当前正样本形成的编码特征属性下,使用高度不一致的过往正样本效果较差,MoReID被设计为仅使用字典中存储的大量负样本。然而,若我们使用广泛使用的、仅以单个样本代表一组正/负样本的三元组损失训练模型,则难以有效利用MoReID框架获取的扩大负样本集。为最大化使用扩充负样本集的优势,我们新引入硬距离弹性损失(HE损失),其能够使用多于一个的困难样本来代表大量样本。我们的实验表明,仅借助HE损失才能充分发挥MoReID框架提供的大量负样本的作用,在三个重识别基准VeRi-776、Market-1501与VeRi-Wild上达到最先进精度。
引用
@article{arxiv.2207.09884,
title = {Negative Samples are at Large: Leveraging Hard-distance Elastic Loss for Re-identification},
author = {Hyungtae Lee and Sungmin Eum and Heesung Kwon},
journal= {arXiv preprint arXiv:2207.09884},
year = {2022}
}
备注
ECCV 2022