Jun, 2020

超越三元损失函数：用于人员再识别的元原型 N 元损失函数

PDF
TL;DR本文提出了一种多类别分类损失函数（N 元损失），旨在联合考虑多个实例进行查询优化，以实现更好的 Person Re-identification 测试 / 推理过程和更高的性能。
person re-identificationconvolutional neural networktriplet lossmulti-class classificationstate-of-the-art performance
发现论文，激发创造
  • 超越三元组损失函数：人员再识别的深度四元组网络

    本篇论文提出一种基于四元组损失和在线难负样本挖掘的四重神经网络用于人员再识别，相对于三元组损失，该方法在训练集和测试集中具有更好的泛化性能和更高的性能表现，并在多个代表性数据集上超过了大部分最先进算法，证明该方法的有效性。

    Apr, 2017

  • 人物重识别中三元组损失的防御

    该研究探讨了计算机视觉中人物重新识别子领域中三元组损失函数的表现，与其他损失函数相比，它能够更好地进行端到端的深度度量学习。

    Mar, 2017

  • 基于三元组的深度相似性学习用于人员再识别

    本文提出了基于三元组卷积神经网络的深度相似性学习框架，采用多数据集训练和双重采样方案，实现了在行人再识别任务中的有效性并表现出与甚至优于现有最先进方法的性能。

    Feb, 2018

  • 超越三元组损失：利用细粒度差异感知成对损失进行人员再辨识

    本文提出了一种新的用于人物 Re-IDentification 的对比损失函数，因为大多数现有方法采用三元组损失函数难以捕捉细节的外貌差异，该损失函数通过对图片间差异的指数级和有界级进行自适应惩罚，能够较大幅度地提高模型在四个基准数据集上的性能，同时也提升了数据的有效性。

    Sep, 2020

  • 再次捍卫三元组损失：利用快速近似三元组损失和标签精华学习鲁棒的人物再辨识

    提出了一种快速逼近的三元组损失（FAT）来匹配人物重新识别任务的大规模数据集中的潜在噪声标签，同时提出了标签蒸馏策略来改进由于潜在噪声标签的学习，结果表明该方法可显著提高 ReID 特征的准确性，效率，鲁棒性和直接可迁移性。

    Dec, 2019

  • 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

  • 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

  • 可见光热像人物再识别中的参数共享探索和基于异质中心的三元组损失

    本文提出了针对 VT Re-ID 任务的一种基于两流网络的可见 - 热交叉模态人员重新识别方法，探索了参数共享对该任务的影响，并通过提出异中心三元组损失函数进一步提升了识别效果。实验证明，该方法在两个数据集上的表现显著优于已有方法，成为 VT Re-ID 领域的新基准。

    Aug, 2020

  • 人员重新识别的支持邻居损失算法

    提出了一种新的支持邻居损失函数来解决 Person re-identification 中验证损失和标识损失方法的限制和局限，该方法基于每个锚样本的正和负支持邻居集合进行计算，并使用 softmax 函数将正和负支持集合分隔开。将该损失函数与 Resnet50 相结合在多个广泛使用的数据集上，得到了比现有技术更优秀的 Person re-identification 的结果。

    Aug, 2018

  • 基于原型投影的人物再识别思考

    利用分类器将图像特征投影为类别原型，并将这些原型用作更有区分性的特征来进行人物 Re-ID。提出了一种新的基线模型 ProNet，在推理阶段保留分类器功能，通过分类器对特征进行投影从而学习类别原型，实验证明 ProNet 的性能显著优于之前的模型。

    Aug, 2023