标签： loss Triplet Re triplets 3B 张图
2月1日——2月4日
计划
- 修改CNN loss函数，将基于集合的距离度量加入训练中
- 将CNN作为GAN的鉴别器，实现别人代码复现
实现步骤
一、Deep Metric Learning
- 阅读《Deep Cosine Metric Learning for Person Re-identification》
- 阅读《In defense of Triplet Loss for Person Re-Identification》
- 新思路：修改dataloader，每个批次选P个人的K张图，16的话可以是4个人的4张图 / 32的话可以是8个人的四张图。
其他笔记
《In defense of Triplet Loss for Person Re-Identification》翻译
- 关于Triplet loss的重要警告是：随着数据集变大，可能的triplet数量会有呈稀疏增长，使得足够长的训练变得不切实际。更糟糕的是，f相对较快地学会了正确映射最琐碎的triplets，使得triplets中很大一部分没有信息。（旧Triplet的缺陷）
- 在一个经典的实现中，一旦选择了一组特定的B triplets，则将其图像堆叠到大小为3B的批处理中，计算3B embedding，然后创建计算loss需要的B terms。考虑到这些3B 图片有6B^2～4B的有效可能的triplet组合，只是用其中一个似乎很浪费。
- 因此对其做出更改，其核心思想是：随机采样P个人，然后随机采样每个人的K张图，从而得到P*K张图。现在，对于一个批次中每个样本a，我们能选择这个批次中hardest positive and hardest negative samples，形成计算损失的triplets，并将此称为Batch Hard
标签：,loss,Triplet,Re,triplets,3B,张图 来源： https://blog.csdn.net/Vonnie_ty/article/details/113521168
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。