当前位置: 代码迷 >> 综合 >> Towards Discriminative Representation Learning for Unsupervised Person Re-identification
  详细解决方案

Towards Discriminative Representation Learning for Unsupervised Person Re-identification

热度:79   发布时间:2023-11-21 13:25:28.0

论文

Towards Discriminative Representation Learning for Unsupervised Person
Re-identification
接收单位:iccv2021

主要贡献

  • CCL:本质是对比损失,正负样本取值有些不同
  • PDA:优化了损失函数,渐进式的在训练过程中随着epoch的增加减少源域的loss权重增加目标域的loss权重
  • FA:引入傅里叶增强的方式,对提取的特征使用傅里叶增强然后计算CE分类损失

CCL

在这里插入图片描述

  • ?θ:MMA更新的网络参数?θ ← m?θ + (1-m) θ
  • fθ:参数为θ的编码网络
  • xt:当前选中的样本
  • xtp:当前选中的样本在当前batch中的正样本
  • xtn:Dynamic Queue中存的以往的样本特征,将当前选中样本那个类剔除其他的作为负样本

CCL与其他对比损失比较:
在这里插入图片描述

PDA

首先损失函数:
在这里插入图片描述

  • λ为权重,s和t分别对应源域和目标域
  • L为损失,s和t分别对应源域和目标域
  • e为第几个epoch

作者提出的λ权重变化策略:
在这里插入图片描述
阶跃形示例图:
在这里插入图片描述
总而言之,前期损失的权重源域高,后期损失的权重目标域高。

FA

首先看一个FFT的蝶图计算示例图:
在这里插入图片描述
简单起见不管中间怎么计算,看图可以知道输入实数s(n)根据蝶图可以得到对应的虚数,并且输入8个实数输出也是8个虚数,因此作者利用FFT对网络编码的图片特征计算对应的虚数,然后对该虚数计算振幅(例如:虚数a=3+4j振幅为(3^2 + 4^2) ^ 0.5 = 5)。通过这样的计算相当于对cnn网络编码的特征进行了一个数据增强(作者叫这个傅里叶增强),作者利用这个增强的特征再计算了一个分类损失。
傅里叶计算增强特征:
在这里插入图片描述
完整增强公式:
在这里插入图片描述

作者的实验证明这样有效,并且优于常用的FC层:
在这里插入图片描述
可视化加入FA的效果(将不同类更好的分开了):
在这里插入图片描述

效果

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  相关解决方案