基于双距离中心损失的车辆重识别
计算机视觉与模式识别
2020-12-24 v1
摘要
近年来，深度学习已广泛应用于车辆重识别领域。在训练深度模型时，通常使用 softmax 损失作为监督工具。然而，softmax 损失在闭集任务上表现良好，但在开集任务上表现欠佳。本文总结了中心损失的五个缺陷，并通过提出双距离中心损失（DDCL）将其全部解决。特别地，我们解决了中心损失必须结合 softmax 损失来监督训练模型的缺陷，这为我们审视中心损失提供了新视角。此外，我们验证了所提 DDCL 与 softmax 损失在特征空间中的不一致性，这使得在移除 softmax 损失后，中心损失在特征空间中不再受限于 softmax 损失。具体而言，我们在欧氏距离的基础上对同一中心加入皮尔逊距离，使得同一类的所有特征被限制在特征空间中超球面与超立方体的交集中。所提皮尔逊距离增强了中心损失的类内紧凑性，并提升了中心损失的泛化能力。此外，通过设计所有中心对之间的欧氏距离阈值，不仅加强了中心损失的类间可分性，还使得中心损失（或 DDCL）无需与 softmax 损失结合也能良好工作。我们将 DDCL 应用于车辆重识别领域的 VeRi-776 数据集和 VehicleID 数据集。并且为了验证其良好的泛化能力，我们还在行人重识别领域常用的 MSMT17 数据集和 Market1501 数据集上进行了验证。
引用
@article{arxiv.2012.12519,
title = {Vehicle Re-identification Based on Dual Distance Center Loss},
author = {Zhijun Hu and Yong Xu and Jie Wen and Lilei Sun and Raja S P},
journal= {arXiv preprint arXiv:2012.12519},
year = {2020}
}
备注
30 pages 13figures, 6 tables