【论文】Triplet-Center Loss for Multi-View 3D Object

Triplet-Center Loss for Multi-View 3D Object Retrieval

原文（cvpr18接受）：https://arxiv.org/abs/1803.06189

摘要

任务

3D object retrieval

目标

利用深度度量学习(deep metric learning)学习3D物体的差异特征(discriminative features)

本文贡献

介绍了三元损失(triplet loss)和中心损失(center loss)， 并整合提出了新的triplet-center loss(TCL)，通过loss来学习每一类的中心点，并使得类内距离(intra-class distance)尽可能小，类间距离(inter-class distance)尽可能大。 提高了特征的区分度(discriminative power)

-

相关工作

针对3D object retrieval，现阶段深度学习领域主要分两种解决方法：

View-based methods

对3D物体的不同视角采集(渲染）一系列视角图(view projections)。 然后转化为2D图像问题，用CNN来解决

代表方法：

MVCNN(multi-view cnn)

（也是文章用的基础网络结构）

GIFT

Model-based methods

得到3D形状特征(polygan meshes, surfaces, voxel grid, point clouds et. al)，然后利用3D CNN来解决。但是3D特征不论是获取还是计算都比较复杂。

代表方法：

3D CNN

Kd network

现阶段，view-based 要比 model-based 效果要好很多，并且 view-based methods比较方便，可以做到实时应用，并且随着gpu和数据量的增加，这种方法用的也越来越多。

针对3d object retrieval里用到的loss function:

triplet loss

优势在于增加特征区分度，适合于细粒度分类。

多数用在face recognition 和person re-identification(re-ID)上

相关基础知识：

https://blog.csdn.net/tangwei2014/article/details/46788025

不足之处

构造三元函数比较复杂，时间复杂度搞，并且依赖于挖掘难样本(mining hard sample)，过程费时，也比较难训练。

center loss

主要是与softmax loss结合，减小类内距离

相关基础知识：

https://blog.csdn.net/u014380165/article/details/76946339

不足之处

只关注于减小类内变化(intra-class variations)，没有对类间距离进行处理，因而可能导致不同类之间出现重叠，并且在训练的时候中心是每个mini-batch一更新，所以很不稳定，必须与softmax loss结合来维持稳定性。

本文工作

普通的深度学习网络大多专注于找到不同类之间的边界，没有过多考虑类内的距离和不同类之间的关系（比如空间关系），因此在3D object retieval任务中找到robust and discriminative features是提高性能的重要环节。



上图从左到右依次为softmax loss, center loss + softmax loss, TCL。

可以看出普通分类只是在找类间边界而没有考虑类内变化，而center loss减小了类内变化，但是因为没有考虑latter one（不是很清楚怎么解释，可能是没有考虑类间边界样本的距离）容易造成类间重叠。而TCL解决了这些问题。

TCL（triplet-center loss）

先写一下triplet loss 和 center loss的公式：

triplet loss

Ltpl=∑Ni=1max(1,m+D(f(xia),f(xi+))−D(f(xia),f(xi−))Ltpl=∑i=1Nmax(1,m+D(f(xai),f(x+i))−D(f(xai),f(x−i))

xa,x+,x−xa,x+,x−分别表示样本a、与a同类的样本、与a不同类的样本，f()f()表示网络的特征embedding output， D()D()表示向量之间的距离，m是类间margin。

center loss

Lc=12∑Ni=1D(f(xi),ciy)Lc=12∑i=1ND(f(xi),cyi)

ciycyi分别class yiyi的中心，D()D()是squared Euclidean distance。

之前提过triplet loss的优势是考虑了类间关系，主要不足是费时、center loss的优势是减少了类内变化，主要不足是没有考虑类间关系，所以为了同时改进这两点并且结合优势，作者把两种loss结合起来，提出了TCL：

Ltc=∑Mi=1max(D(f(xi),cyi)+m−minj≠yiD(f(xi),cj),0)Ltc=∑i=1Mmax(D(f(xi),cyi)+m−minj≠yiD(f(xi),cj),0)

D(f(xi),cyi=12∣∣∣∣f(xi)−cyi∣∣∣∣22D(f(xi),cyi=12||f(xi)−cyi||22

TCL只计算样本与同类中心之间的距离，减少了计算复杂度，并考虑到了离样本最近的不同类之间的距离，使得不同类之间可以保持一定的距离。

（还有一部分反向传播的过程，不太好写，感兴趣的可以去看论文）

同时论文结合了softmax loss，可以作为监督使得训练过程中可以找到更好的class centers也就将metric learning和classfication task结合起来，并且TCL和softmax loss互相独立，可以直接相加。

最后论文里用到的损失函数是

Ltotal=λtc+LsoftmaxLtotal=λtc+Lsoftmax

λλ是调整TCL对训练过程影响的超参数。最后的实验有如何选择和调整λλ的实验和验证。

本文用MVCNN做基本框架，大体流程为

与triplet loss和center loss的比较

triplet loss

TCL的三元数只考虑样本、所属类中心、最近邻类的中心。对于N个样本的数据集，只需要建立N个triplets,而triplet loss的复杂度达到O(N3)O(N3)，避免了建立triplets的复杂度和mining hard samples的难度

center loss

TCL同时增加了类内数据的紧实度（compactness）和类间的分离度（separability），避免了类间重叠，并且可以和softmax loss分离，更加易于训练。



通过实验的可视化效果，可以看到TCL和softmax loss结合效果要明显好一些，类间距离更远，类内距离更近。

实验

作者用ModelNet40 和ShapeNet Core 55数据集做的实验，实验做的很全，包括λλ的选取、不同损失函数的比较，不同数据集的比较、不同域间的比较、还和model-based 方法比较了一下。具体实验设置和配置参数建议看论文，写起来太多了。

总结

实验结果看起来还是很好的，并且有可视化效果，但是用到的数据集都是CAD模型渲染出来的虚拟数据，背景单一，特征也都比较好提取，所以训练过程会简单点，如果加入噪声过多可能可视化效果就不会这么好了（猜测）

如果知道数据集的类间空间关系的话，也许可以把空间关系作为center的一个监督信息，使得类间关系和真实的空间关系一致，也许对于视角估计之类的任务有帮助。

下一步复现一下。