面向行人重识别的三元组在线实例匹配损失
计算机视觉与模式识别
2020-02-26 v1
摘要
挖掘不同场景下同一身份的共同特征，以及同一场景下不同身份的独特特征，是行人重识别（ReID）领域最重要的挑战。在线实例匹配（OIM）损失函数与三元组（Triplet）损失函数是行人ReID的主要方法。遗憾的是，二者均有缺陷：OIM损失对所有样本一视同仁，未对困难样本予以侧重；Triplet损失以复杂繁琐的方式进行批次构建且收敛缓慢。针对这些问题，我们提出一种三元组在线实例匹配（TOIM）损失函数，其侧重困难样本并有效提升了行人ReID的准确率。它结合了OIM损失与Triplet损失的优势，并简化了批次构建过程，从而实现了更快速的收敛。在处理联合检测与识别任务时可进行在线训练。为验证所提损失函数，我们基于监控摄像头所拍图像收集并标注了一个大规模基准数据集（UESTC-PR），包含499个身份与60,437张图像。我们使用ResNet-50在Duke、Marker-1501与UESTC-PR上评估了所提损失函数，结果表明其相较基线方法（包括Softmax损失、OIM损失与Triplet损失）最高提升21.7%。
引用
@article{arxiv.2002.10560,
title = {Triplet Online Instance Matching Loss for Person Re-identification},
author = {Ye Li and Guangqiang Yin and Chunhui Liu and Xiaoyu Yang and Zhiguo Wang},
journal= {arXiv preprint arXiv:2002.10560},
year = {2020}
}