融合损失优化的行人重识别方法

摘要

行人重识别的目的是通过深度学习检索出数据集中存在特定身份的行人,在行人重识别算法中最理想的优化目标是最小化类内距离,最大化类间距离。本文提出一种对损失函数进行优化改进的行人重识别方法。通过在分类损失上添加了额外的监督信号,使其配合联合训练。在保持类间判别力的基础上,使训练出的特征有较强的内聚性,约束了类内紧凑性,有效提升特征的辨识度。同时在交叉熵损失上增加类内与类间相似度的加权因子,使学习速率适应具体的优化状态。从而使其优化方式更加灵活,收敛状态更加明确来提高特征鉴别力。通过在行人重识别的主流数据集Market-1501与DukeMTMC-reID上的实验结果表明本文方法在性能上取得有效的提升,mAP值分别达到了90.5%和81.6%,Rank-1值分别达到了95.7%和91.6%。