为 Triplet Loss 在行人再识别中的辩护

Source: Dev.to

引言

人物再识别（re-ID）是指在不同摄像头视角下寻找同一人物的任务。它在安防、视觉检索以及多摄像头跟踪等方面具有重要应用。

再次审视 Triplet Loss

一种直接的方法——使用 triplet loss 变体对模型进行端到端训练——已被证明能够超越许多更为复杂的方法。Triplet loss 促使模型学习一个嵌入空间，使同一人物的图像彼此靠近，而不同人物的图像则相互远离。

实验发现

• 对从头训练的模型和使用预训练权重初始化的模型均进行了评估。
• 基于 triplet loss 的方法始终 显著优于 众多已发表的 re-ID 方法。
• 结果表明，添加额外的结构技巧或多阶段流水线并不一定能带来显著提升。

含义

• 更简洁的训练流水线可以减少开发时间和计算资源。
• 使用 triplet loss 的端到端学习能够打造更快速、更实用的真实场景部署系统。
• 这些发现可能会引导未来的研究方向，朝着更精简的 re-ID 解决方案迈进。

进一步阅读

In Defense of the Triplet Loss for Person Re-Identification – Paperium.net.