ReID：常用损失函数总结

在ReID中常见的loss有Identity Loss、Verification Loss、Triplet loss。 Deep Learning for Person Re-identification: A Survey and Outlook

在这里插入图片描述

Identity Loss

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

在这里插入图片描述

Verification Loss

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：

在这里插入图片描述

当然也可以使用交叉熵，也就是二值交叉熵损失：

在这里插入图片描述

Triplet Loss

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。

在这里插入图片描述

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。