【算法分析】深度余弦度量学习与物体跟踪 算法解析

目录

深度余弦度量学习Deep Cosine Metric Learning

深度余弦度量学习Deep Cosine Metric Learning 解决什么问题

Deep SORT 如何使用余弦度量Deep Cosine进行物体跟踪

---

深度余弦度量学习Deep Cosine Metric Learning

论文: http://elib.dlr.de/116408/

代码: https://github.com/nwojke/cosine_metric_learning

 

深度余弦度量学习Deep Cosine Metric Learning 解决什么问题

问题示意

• 度量学习(Metric Learning)要解决聚类问题，通过学习后使得同类对象之间的度量距离较小产生聚集的效果，参考上图1
• 余弦度量(Cosine Metric) 通过计算两个对象之间的余弦距离来度量它们的相似程度
• 深度余弦度量学习(Deep Cosine Metric Learning) 通过流行的深度学习方法来学习对象之间的余弦距离，最后得到的深度学习网络，任何对象通过该网络得到的特征表达向量按照最邻近距离查找所属的聚类，参考图2，简而言之就是根据输入的对象照片查找该对象属于哪一类

SOFTMAX 分类器

• 全链接FC网络的L层输出向量r，L层与L+1层的连接权重向量为{w1, … , wc}, L+1层的激活函数为σ Biasσ Bias向量为{b1, … bc}
• L+1层输出到SOFTMAX分类器，对向量r做分类，其中向量r为k类的后验概率为 

Cosine Softmax 分类器

• 全链接FC网络的L层输出向量r，L层与L+1层的连接权重向量为{w1, … , wc}, 其中wk 都是单位长度
• L+1层的激活函数为σ Biasσ Bias向量为{b1, … bc}
• L+1层输出做L2正则化后输入到Cosine Softmax 分类器
• Cosine Softmax 分类器，对输入做分类，其中向量r为k类的后验概率为 

Cosine Softmax 分类器

• κ 的作用如上图1所示，一维概率分布曲线（3中颜色代表3个种类）κ=1可以让概率分布曲线变得平滑从而让样本的分布聚集在曲线的中心；κ=10可以让概率分布曲线变得像盒子从而让样本的分布区域更自由
• 论文中连接Cosine Softmax 分类器的深度学习网络如图2所示

深度余弦度量学习Deep Cosine Metric Learning - Person Re-ID的应用

• 经过Cosine Softmax 分类器训练学习的深度网络用于将输入的人物照片生成128位的feature向量r
• 根据余弦距离可以计算出与r最临近的聚类，从而判断出r是谁 (实现跨摄像头追踪)

• 优点: 轻量的深度学习网络(280w+参数) 可以获得较好的精度
• 缺点: 相比重量网络精度较差，实际效果中存在Re-Id错误

Deep SORT 如何使用余弦度量Deep Cosine进行物体跟踪

参考我的另外一篇算法分析 https://blog.csdn.net/HaoBBNuanMM/article/details/85555547#关联度量(ASSOCIATION%20METRIC)