用于行人重识别的支持邻域损失
计算机视觉与模式识别
2018-08-21 v1
摘要
由于深度卷积神经网络(CNN)的发展,行人重识别(re-ID)近期得到了极大推动。大多数深度 re-ID 方法聚焦于设计新的 CNN 架构,而较少关注损失函数的研究。验证损失和识别损失是广泛用于训练各种深度 re-ID 模型的两类损失,但二者均有局限。验证损失引导网络生成类内方差减小、类间方差增大的特征嵌入。然而,当训练样本数量较大时,用验证损失训练网络往往收敛慢且性能不稳定。另一方面,识别损失具有良好的分离性和可扩展属性。但它忽略显式减小类内方差,限制了其在 re-ID 上的性能,因为同一人在不同摄像头视角下可能有显著的外观差异。为避免两类损失的局限,我们提出一种称为支持邻域(SN)损失的新型损失。SN 损失并非由数据样本对或三元组导出,而是基于每个锚样本的正、负支持邻域集计算,其包含更有价值的上下文信息和邻域结构,有利于更稳定的性能。为确保可扩展性和分离性,构建了类 softmax 函数来推开正、负支持集。为减小类内方差,对锚样本最近正邻域与最远正样本间的距离进行惩罚。在 Resnet50 上集成 SN 损失,在多个广泛使用的数据集上取得了优于当前最优(SOTA)的 re-ID 结果。
引用
@article{arxiv.1808.06030,
title = {Support Neighbor Loss for Person Re-Identification},
author = {Kai Li and Zhengming Ding and Kunpeng Li and Yulun Zhang and Yun Fu},
journal= {arXiv preprint arXiv:1808.06030},
year = {2018}
}
备注
Accepted by ACM Multimedia (ACM MM) 2018