Oct, 2017

余量样本挖掘损失函数：一种基于深度学习的行人再识别方法

PDF
TL;DR本文提出了一种新的度量学习损失，称为边际采样挖掘损失（MSML），它采用硬样本挖掘，并能够比其他度量学习损失（如三元组损失）获得更好的精度。在实验中，我们的方法在 Market1501、MARS、CUHK03 和 CUHK-SYSU 等数据集上的性能超过了大多数最先进的算法。
person re-identificationdeep learningmetric learning losshard sample miningaccuracy
发现论文，激发创造
  • 人员再识别的增量三元组间隔学习

    此论文提出了一种多阶段训练方法和全局难样本挖掘方法来提高匹配度，通过实验展示在 Market-1501、CUHK03 和 DukeMTMCreID 等多个数据集上获得了比多数已有方法更高的性能表现。

    Dec, 2018

  • 基于大适应边际学习的深度排名模型用于人员再识别

    本篇论文提出了一种基于深度排名模型、部分卷积神经网络以及自适应距离边缘损失函数相结合的方法，可以在多个数据集上有效地解决视频监控中的人员重识别问题，并且相较于现有的人员重识别方法具有更好的性能表现。

    Jul, 2017

  • 硬件感知的点对集深度度量在人员再识别中的应用

    通过一种基于点 - 集三元组损失函数架构的 Hard-Aware Point-to-Set (HAP2S) 损失以及软硬采样机制，我们提出的方法在精度、鲁棒性、灵活性和泛化性等方面均优于其他基准函数，并应用于除 person re-ID 外的 CUB-200-2011 和 Cars196 等深度度量学习基准测试中均取得了最先进的结果。

    Jul, 2018

  • 基于图采样的深度度量学习用于可泛化的行人再识别

    本文提出了一种高效的迷你批次采样方法 (graph sampling)，通过构建类的最近邻关系图，在数据采样阶段使用 hard example mining，从而提供信息丰富且具有挑战性的样本进行学习，与竞争基线相比，能够在人员再认证方面显著提高 26.5％，同时大幅缩短训练时间。

    Apr, 2021

  • 多边损失函数：在推荐系统中的提出和应用

    多边界损失（MML）是一种简单而有效的损失函数，通过引入多个边界和变化的负样本权重，解决了资源有限时的挑战，并在两个知名数据集上实验证明，在使用更少的负样本时，MML 相对于基准对比损失函数取得了高达 20％的性能提升。

    May, 2024

  • 人员再识别的有约束深度度量学习

    本文介绍了一种基于 CNN 的方法，通过约束权重来学习具有良好鲁棒性的判别度量，其应用于人物重新识别任务中。使用新的模型建造方式及特殊网络层，通过轻微正例挖掘技术 (Moderate Positive Mining) 来解决样本过度拟合问题。实验验证了本方法在人物重新识别标准基准测试集上比现有方法表现优异。

    Nov, 2015

  • 深度人脸识别的最小边界损失

    该研究提出了一种新的最小间隔损失函数 (MML)，用于增强深度特征的区分能力，该方法能够取得最先进的性能表现。

    May, 2018

  • 实用人员再识别的深度度量学习

    本研究介绍了一种使用深度神经网络学习图像相似度度量的方法，该方法采用 “连体” 结构体系，可以统一学习颜色特征、纹理特征和度量。论文还比较了不同数据集上训练和测试结果，结果表明该方法在人员再识别方面性能显著优于现有方法。

    Jul, 2014

  • 人物重新识别的判别空间最大间隔度量学习

    本文提出了一种名为 NK3ML 的新颖度量学习框架，它有效地解决了人员重新识别中固有的小样本问题，并比现有的最先进方法提供了显着的性能提升。通过利用特征空间的非常高维度，使用最大边界标准（MMC）在具有区别性的零空间上学习度量，其中给定类别的所有训练样本点都映射到单个点上，最小化类内散射。使用 MMC 的内核版本以获得更好的类间分离。针对四个具有挑战性的人员重新识别基准数据集进行的大量实验表明，该算法优于所有现有方法。在最广泛接受且具有挑战性的 VIPeR 数据集上，我们的方法取得了 99.8％的排名 1 准确度，而先前的最新技术仅为 63.92％。

    Jul, 2018

  • 人物重新识别中分类损失的辩护

    本文提出了一个通过通道分组和多分支策略来划分全局特征的个人再识别框架，以学习多个通道组的判别式全局特征，并证明了其在准确性和推理速度方面优于现有技术水平。

    Sep, 2018