triplet loss总结
来源:互联网 发布:java游戏主界面设计 编辑:程序博客网 时间:2024/06/15 19:03
In Defense of the Triplet Loss for Person Re-Identification
贡献:batch hard mining + soft margin triplet loss
实验在Market-1501 and MARS datasets上进行。
一个batch选择P个人,每个人选择K张图片**S. Khamis, C.-H. Kuo, V. K. Singh, V. D. Shet, and L. S.
Davis. Joint Learning for Attribute-Consistent Person Re-
Identification. In ECCV, 2014**
基于外表匹配和基于语义属性分类的联合优化方法。**S. Ding, L. Lin, G. Wang, and H. Chao. Deep feature
learning with relative distance comparison for person re-identification. Pattern Recognition, 48(10):2993–3003**
原始triplet loss, 简单网络结构,合理的triplet 产生S. Paisitkriangkrai, C. Shen, and A. van den Hengel. Learning to rank in person re-identification with metric ensembles. In CVPR, 2015.
传统方法,基于几个低级特征+高级特征,不同于一般的提前设置权重的距离融合方法,本文通过学习的方法获得。
两种优化方法,以达到两个目的:(1)选择一个最小的k,使得top-k尽快达到1;
(2)使得top-1到top-k的平均值最大。
实验:ilids(50%) viper(46%) chuk01(53%), cuhk03(63%)
值得学习的一个方法,可是我看的不太懂。D. Cheng, Y. Gong, S. Zhou, J.Wang, and N. Zheng. Person Re-Identification by Multi-Channel Parts-Based CNN with Improved Triplet Loss Function. In CVPR, 2016.
(1)提出一个多通道的同时基于body+parts的cnn
(2)一个改进的triplet loss
i-LIDS(60.4), VIPeR(47.8), PRID2011(22.0) and CUHK01(53.7)- **F. Wang, W. Zuo, L. Lin, D. Zhang, and L. Zhang. Joint
Learning of Single-image and Cross-image epresentations
for Person Re-identification. In CVPR, 2016.**
之前的链接突然找不到了,我下载的放到了百度网盘:
链接:http://pan.baidu.com/s/1o7HcixW 密码:g8xr
(1)提出将Single-image表示和cross-image表示结合起来。
(2)提出两种模式:
Pairwise Comparison Formulation:
h_{i,j}=1/-1
Triplet Comparison Formulation
预测:
两种方式的组合:
7. H. Shi, Y. Yang, X. Zhu, S. Liao, Z. Lei,W. Zheng, and S. Z. Li. Embedding Deep Metric for Person Re-identification: A Study Against Large Variations. In ECCV, 2016.
source code:http://www.cbsr.ia.ac.cn/users/hailinshi.
(1)针对大的类内变化,提出一个权重约束的对照损失函数:
(2)提出中等难度正样本挖掘
(3)网络架构(后跟对照损失函数层)
(4)cuhk03(labled 61.32%, detected 52.09%)
cuhk01(86.59)
viper(40.91)
8. C. Su, S. Zhang, J. Xing, W. Gao, and Q. Tian. Deep Attributes Driven Multi-camera Person Re-identification. In ECCV, 2016.
基于属性的re-id,半监督
9. J. Liu, Z.-J. Zha, Q. Tian, D. Liu, T. Yao, Q. Ling, and T. Mei. Multi-Scale Triplet CNN for Person Re-Identification. 2016.
(1)提出一个多尺度的CNN. 三个尺度 1,1/2,1/4, 深层加浅层网络
(2)一个新的triplet loss (compariative similarity loss),本质上和传统的没什么区别,只是把距离差换成距离的比
(3)仅在market1501上进行了实验(single query45.1%, multi query 55.4%)
10. W. Chen, X. Chen, J. Zhang, and K. Huang. A Multi-task Deep Network for Person Re-identification. arXiv preprint arXiv:1607.05369, 2016.
本文的贡献:(1)Multi-task。 将二值分类任务和triplet rank任务合在一起训练。(MTDnet)
(2)提出跨域结构(siamese)进行微调。
(3)CUHK03, CUHK01, VIPeR, iLIDS
and PRID2011
MTDnet-cross:the crossdomain architecture
MTDnet:the original multitask network
MTDnet-aug:把源数据直接和目标数据直接合并,用于目标数据训练.
Cls :基于the classification loss,
Rnk : 基于 the ranking loss
- triplet loss总结
- Triplet Loss
- matlab---triplet loss
- triplet loss layer原理
- Triplet Loss及其梯度
- Triplet Loss(未开始)
- Triplet Loss、Coupled Cluster Loss 探究
- Re-ID with Triplet Loss
- 损失函数 center_loss triplet loss
- triplet loss (原理 + 实现)
- triplet loss 原理以及梯度推导
- triplet loss 原理以及梯度推导
- triplet loss 原理以及梯度推导
- triplet loss的原理及caffe代码
- triplet loss 原理以及梯度推导
- Beyond triplet loss—— Re-ID
- Pytorch 中triplet loss的写法
- 在caffe中添加triplet loss layer
- OpenCV-005:图片的基本像素操作
- 获取文件的信息
- java序列化
- STL 二分查找 upper_bound和lower_bound用法
- 关于java数据库章节connection连接不成功的时候!!!
- triplet loss总结
- js简单字母验证码
- swagger与springMVC、maven整合
- uboot的环境变量操作
- angularJs自定义过滤器
- workqueue机制
- 创建类Person和对象
- java长连接转短连接
- interval时间