[论文解读] In Defense of the Classification Loss for Person Re-Identification

Yao Zhai, Xun Guo+2 more|arXiv (Cornell University)|Sep 16, 2018

Video Surveillance and Tracking Methods参考文献 30被引用 3

一句话总结

本文提出了一种通道分组与多分支分类框架，通过使用全局特征和标准分类损失，显著提升了行人重识别性能，在推理速度上优于基于部件的模型，实现了最先进（SOTA）的准确率。通过将全局特征划分为通道组，并为每组训练独立的分类头，该方法在保持低计算成本的同时增强了判别能力。

ABSTRACT

The recent research for person re-identification has been focused on two trends. One is learning the part-based local features to form more informative feature descriptors. The other is designing effective metric learning loss functions such as the triplet loss family. We argue that learning global features with classification loss could achieve the same goal, even with some simple and cost-effective architecture design. In this paper, we first explain why the person re-id framework with standard classification loss usually has inferior performance compared to metric learning. Based on that, we further propose a person re-id framework featured by channel grouping and multi-branch strategy, which divides global features into multiple channel groups and learns the discriminative channel group features by multi-branch classification layers. The extensive experiments show that our framework outperforms prior state-of-the-arts in terms of both accuracy and inference speed.

研究动机与目标

• 为解决标准分类损失在行人重识别中因训练与测试目标不匹配而导致的性能不足问题。
• 通过将全局特征划分为通道组，挖掘其判别潜力，实现更鲁棒的特征学习。
• 设计一种计算成本低廉的架构，在准确率上匹配或超越基于部件的模型，同时降低推理时间。
• 证明在分组的全局特征上进行多分支分类可优于度量学习和基于部件的特征学习。

提出的方法

• 该方法将全局特征图划分为多个通道组，每组通过共享卷积层独立处理。
• 每个通道组输入至独立的全连接分类层，实现判别性特征的多分支学习。
• 在推理阶段，各通道组的特征可单独使用或拼接，且无需额外的距离计算开销。
• 框架采用交叉熵Softmax损失进行训练，无需困难样本挖掘或复杂的度量损失函数。
• 通过将通道组特征与部件特征拼接，将该架构集成到基于部件的模型中，进一步提升性能。
• 在Market-1501、DukeMTMC-reID和CUHK03基准上，采用标准训练与评估协议对方法进行评估。

实验结果

研究问题

• RQ1 当经过适当增强时，标准分类损失是否能在行人重识别中实现最先进（SOTA）性能？
• RQ2 与基于部件或全局特征学习相比，将全局特征划分为通道组是否能提升判别性特征学习？
• RQ3 在通道组上采用多分支分类设计是否能在不增加推理成本的前提下，达到或超越度量学习损失的性能？
• RQ4 该方法在准确率和推理速度上与基于部件的模型相比如何？

主要发现

• 所提方法在Market-1501上达到93.9%的rank-1准确率和80.5%的mAP，超越了先前的最先进方法。
• 在DukeMTMC-reID上，该方法达到84.7%的rank-1准确率和69.4%的mAP，创下新的SOTA纪录。
• 该框架在所有基准上均优于PCB和PCB+RPP，同时保持显著更快的推理速度。
• 仅采用通道分组策略即可在性能上超越标准分类损失，而将其与基于部件的特征结合可进一步提升性能。
• 该方法在计算开销极小的情况下实现具有竞争力的性能，因为推理成本几乎等同于标准分类网络。
• 可视化结果表明，所学习的特征具有更大的类间差异性和更小的类内差异性，优于标准分类或三元组损失学习的特征。