[논문리뷰] In defense of the triplet loss for person re identification - penny4860/study-note GitHub Wiki

정리

1. 요약

2. 질문

내용

1. Introduction

• contribution
  1. Classical Triplet loss의 variation을 소개
  2. 기존 cnn 구조에 triplet loss를 사용한 end-to-end 모델을 제안

2. Learning Metric Embeddings, the Triplet Loss, and the Importance of Mining

• Learning Metric Embeddings

  • Semantically similar sample(이미지)이 embedding space에서 가까운 distance를 갖도록 학습한다.

• Triplet Loss

  • loss_triplet = D(a, p) - D(a, n) + margin
  • 같은 class의 data sample이 임베딩 space에서 하나의 cluster를 형성

• the Importance of Mining

  • Dataset의 크기가 커질수록 possible triplet(anchor, positive, negative)의 숫자가 많아진다.
  • 따라서 batch sample의 구성을 잘 정의해야함.

• 논문에서 사용한 batch sampling 전략

  1. P class를 random으로 선택
  2. 각 class 별로 K개의 image를 선택
  3. P * K anchor sample 에 대해서 hardest positive / hardest negative로 triplet을 구성
     • hardest positive : anchor와 같은 클래스중 가장 거리가 먼것.
     • hardest negative : anchor와 다른 클래스중 가장 거리가 가까운 것.

• Distance Measure

  • squared euclidean distance가 아닌 euclidean distance를 distance metric으로 사용
  • 더 안정적으로 학습되었다고 함.

• Soft margin

  • Hinge Function
    • Triplet loss 연산시 주로 사용하는 함수
    • hinge = max(margin + ..., 0)
  • Softplus (soft margin)
    • hard cut off를 갖지않고 smooth한 decay curve를 보임.
  • 논문에서는 Hinge / Softplus 두가지 함수를 모두 사용해서 실험했다고 함.

3. Experiments

(리뷰중)