ReID任務(wù)的目的是從海量圖像中檢索出與給定query相同ID的實(shí)例。

Pairwise損失函數(shù)在ReID 任務(wù)中發(fā)揮著關(guān)鍵作用?，F(xiàn)有方法都是基于密集采樣機(jī)制，即將每個(gè)實(shí)例都作為錨點(diǎn)（anchor）采樣其正樣本和負(fù)樣本構(gòu)成三元組。這種機(jī)制不可避免地會(huì)引入一些幾乎沒有視覺相似性的正對，從而影響訓(xùn)練效果。為了解決這個(gè)問題，我們提出了一種新穎的損失范式，稱為稀疏Pairwise (SP) 損失，在ReID任務(wù)中針對mini-batch的每一類篩選出少數(shù)合適的樣本對來構(gòu)造損失函數(shù)（如圖1所示）。基于所提出的損失框架，我們進(jìn)一步提出了一種自適應(yīng)正挖掘策略，可以動(dòng)態(tài)地適應(yīng)不同類別內(nèi)部的變化。大量實(shí)驗(yàn)表明，SP 損失及其自適應(yīng)變體AdaSP 損失在多個(gè)ReID數(shù)據(jù)集上均優(yōu)于其他成對損失方法，并取得了state-of-the-art性能。

圖1. Sparse pairwise損失與Dense pairwise損失之間的差異

Adaptive Sparse Pairwise Loss for Object Re-Identification

論文地址：https://arxiv.org/abs/2303.18247

Github地址（已開源）：

https://github.com/Astaxanthin/AdaSP

研究動(dòng)機(jī)：

ReID任務(wù)中的由于光照變化、視角改變和遮擋等原因會(huì)造成同一類中不同實(shí)例的視覺相似度很低（如圖2所示），因此由視覺相似度很低的實(shí)例（我們稱之為harmful positive pair）構(gòu)成的正樣本對會(huì)對特征表示的學(xué)習(xí)過程帶來不利的影響，從而使訓(xùn)練收斂至局部極小點(diǎn)。現(xiàn)有的方法都是以每個(gè)樣本作為錨（anchor）密集采樣正樣本對來構(gòu)造度量損失函數(shù)，不可避免的會(huì)引入大量壞對影響訓(xùn)練結(jié)果?；诖?，我們提出了稀疏Pairwise損失函數(shù)以降低對壞對的采樣概率，從而減輕壞對在訓(xùn)練過程的不利影響。

圖2. 行人ReID數(shù)據(jù)集上不同級別的類內(nèi)差異

方法介紹：我們提出的稀疏Pairwise損失函數(shù)（命名為SP loss）針對每一類僅采樣一個(gè)正樣本對和一個(gè)負(fù)樣本對。其中負(fù)樣本對為該類別與其他所有類別間最難的負(fù)樣本對，而正樣本對為所有樣本的hard positive pair集合中的最不難positive pair（least-hard mining）：

從幾何角度看，以最難positive pair的距離作為半徑的超球面是能夠覆蓋所有類內(nèi)樣本的最大球，而以hard positive pair集合中最不難positive pair的距離作為半徑的超球面是能夠副高所有類內(nèi)樣本的最小球，如圖3所示。利用最小球能夠有效的避免過于難的harmful positive pair對于訓(xùn)練過程的影響，我們從理論上證明了針對一個(gè)mini-batch，我們的方法采樣得到的正樣本對中harmful positive pair的期望占比小于Triplet-BH和Circle等密集采樣方法。

圖3. 不同級別類內(nèi)差異差異下的最大和最小覆蓋球。

為了適應(yīng)不同類別可能具有不同的類內(nèi)差異，我們在SP loss的基礎(chǔ)上增加了自適應(yīng)策略構(gòu)成AdaSP loss：

該loss通過動(dòng)態(tài)調(diào)整構(gòu)造loss所用到的正樣本對相似度以適應(yīng)不同的類內(nèi)差異。

實(shí)驗(yàn)結(jié)果：

我們在多個(gè)行人ReID數(shù)據(jù)集（包括MSMT17，Market1501，DukeMTMC，CUHK03）和車輛ReID數(shù)據(jù)集（包括VeRi-776，VehicleID，VERIWild）上驗(yàn)證了AdaSP loss的有效性。實(shí)驗(yàn)結(jié)果顯示AdaSP loss在單獨(dú)使用時(shí)超過Triplet-BH，Circle，MS，Supcon，EP等已有度量損失函數(shù)，如表1所示；AdaSP loss在不同骨干網(wǎng)絡(luò)（包括ResNet-50/101/152，ResNet-IBN，MGN，ViT，DeiT）上的ReID性能均優(yōu)于Triplet-BH；此外，AdaSP loss結(jié)合分類損失函數(shù)在ReID任務(wù)上達(dá)到了State-of-the-art的性能。

表1. 在不同數(shù)據(jù)集上不同度量損失函數(shù)的性能比較

具體細(xì)節(jié)可以參考原文。

審核編輯 ：李倩