在ReID中常见的loss有Identity Loss、Verification Loss、Triplet loss。 Deep Learning for Person Re-identification: A Survey and Outlook
将 Re-ID 的训练过程当成图像分类问题,同一个行人的不同图片当成一个类别,常见的有 Softmax 后加交叉熵损失函数
将 Re-ID 的训练当成图像匹配问题,是否属于同一个行人来进行二分类学习,常见的可以使用对比损失函数:
当然也可以使用交叉熵,也就是二值交叉熵损失:
将 Re-ID 的训练当成图像检索问题,同一个行人图片的特征距离要小于不同行人的特征距离,其基本思想是,通过预定义的边缘(margin),正对之间的距离应该小于负对样本之间的距离。Triplet loss 包含一个anchor sample,一个 positive sample(与anchor sample为同一个ID),还有一个 negative sample。
其中 d i j d_{ij} dij, d i k d_{ik} dik分别表示anchor sample 分别与positive sample、negative sample的欧式距离。