行人检索--Beyond triplet loss: a deep quadruplet network for person re-identification

Beyond triplet loss: a deep quadruplet network for person re-identification

CVPR2017

https://arxiv.org/abs/1704.01719

本文使用深度学习进行行人检索，侧重点主要在损失函数的改进，提出了 quadruplet loss 用于减小类内方差 和 增加类间方差



上图显示，在我们新的 quadruplet loss 作用下，对于训练数据的每个类别，我们减小了同类别方差，增加异类方差。

本文的网络结构：



上图红色部分是重点，加入了第二个类别的负样本。

这里的 positive pair negative pair negative pair2 三个损失函数计算值中 positive pair 是最小的。这么做减小了同类别方差 。



为了增加异类方差，这里我们设计了一个自动最大阈值采样策略，

Margin-based online hard negative mining

Thus the margin threshold is self-adaptive based on the two distributions of the trained model.

通过这个采样策略，使得我们的损失函数中边界阈值自适应得到

实验结果对比：