[论文解读] Rethinking Classification Loss Designs for Person Re-identification with a Unified View.

Zhizheng Zhang, Cuiling Lan+3 more|arXiv (Cornell University)|Jun 8, 2020

Video Surveillance and Tracking Methods参考文献 9被引用 4

一句话总结

本文提出了一种统一的视角来理解行人重识别（ReID）中的分类损失与三元组损失，将三元组学习重新表述为一种两分类子采样分类问题。通过引入多分类子采样分类和一种新颖的元原型N元组损失，该方法在标准ReID基准上实现了最先进性能，表明通过更广范围的类别采样来对齐训练与推理过程，能显著提升特征判别能力。

ABSTRACT

Person Re-identification (ReID) aims at matching a person of interest across images. In convolutional neural networks (CNNs) based approaches, loss design plays a role of metric learning which guides the feature learning process to pull closer features of the same identity and to push far apart features of different identities. In recent years, the combination of classification loss and triplet loss achieves superior performance and is predominant in ReID. In this paper, we rethink these loss functions within a generalized formulation and argue that triplet-based optimization can be viewed as a two-class subsampling classification, which performs classification over two sampled categories based on instance similarities. Furthermore, we present a case study which demonstrates that increasing the number of simultaneously considered instance classes significantly improves the ReID performance, since it is aligned better with the ReID test/inference process. With the multi-class subsampling classification incorporated, we provide a strong baseline which achieves the state-of-the-art performance on the benchmark person ReID datasets. Finally, we propose a new meta prototypical N-tuple loss for more efficient multi-class subsampling classification. We aim to inspire more new loss designs in the person ReID field.

研究动机与目标

• 将基于三元组的优化重新表述为广义损失公式下的两分类子采样分类问题。
• 探究在训练过程中同时考虑更多实例类别是否能提升ReID性能。
• 通过多分类子采样分类构建一个更强的基线，使其更符合ReID推理过程。
• 提出一种高效的元原型N元组损失，以支持可扩展的多分类子采样。
• 通过展示更广范围类别采样的优势，激发行人重识别中新型损失设计的灵感。

提出的方法

• 基于实例相似性，将三元组损失重新表述为两分类子采样分类任务。
• 引入多分类子采样分类，使训练过程中可同时考虑多于两个身份。
• 设计一种元原型N元组损失，以在原型学习框架中高效采样并优化多个类别。
• 使用统一的损失公式，将分类与基于三元组的优化统一于同一原则之下。
• 使用所提出的损失进行端到端反向传播训练，优化类内紧凑性与类间可分性。
• 通过在训练中采样更多类别，使训练目标与测试/推理过程对齐，从而模拟真实世界中的ReID匹配场景。

实验结果

研究问题

• RQ1 基于三元组的优化能否被有意义地重新解释为一种两分类子采样分类形式？
• RQ2 在训练过程中增加同时考虑的类别数量是否能提升ReID性能？
• RQ3 与标准分类损失和三元组损失相比，多分类子采样分类在特征质量与准确率方面表现如何？
• RQ4 元原型N元组损失能否高效支持ReID中的可扩展多分类子采样？
• RQ5 通过更广范围的类别采样将训练与推理对齐，能在多大程度上提升模型泛化能力？

主要发现

• 所提出的多分类子采样分类基线在标准行人ReID基准上实现了最先进性能。
• 增加同时考虑的类别数量可带来显著性能提升，因其更符合测试阶段的匹配过程。
• 统一的公式表明，三元组损失是两分类子采样分类的一个特例，提供了理论上的清晰解释。
• 元原型N元组损失能够高效支持多分类子采样，提升训练效率与特征判别能力。
• 结果表明，损失设计应与推理过程对齐以最大化性能，挑战了两分类采样的主导地位。
• 实证结果证实，训练过程中采用更广范围的类别采样，可生成更具鲁棒性与泛化能力的ReID特征。