【论文笔记】DEEP JOINT DISCRIMINATIVE LEARNING FOR VEHICLE REID（车辆重识别的深度联合判别学习）

摘要

本文提出一种DJDL模型，使用deep CNN,能够结合多种不同的任务：车辆身份识别，属性识别，verification认证任务，triplet三元组任务。整个网络通过一种特殊的batch组成联合优化。

1.介绍

车辆身份识别和属性识别主要关注个体样例，挖掘它们独有的特性。
认证任务主要是为了限制两个样例之间的关系。（如果是同一身份，最小化距离）。
triplet三元组任务主要是为了限制三个输入样例的相对距离。
同时提出了一种有效的batch组成，联合优化四个目标函数。

2.深度联合判别学习（方法）

网络架构如上图所示

2.1网络架构

基础网络是一个deep CNN,如Iception-BN,VGG,Resnet.在imagenet上预训练。
Verification输入2个图像，Triplet输入3个图像，
Identification,Attribute recognition输入1个图像。
使用同一个Deep CNN进行特征抽取。

2.2 身份和属性识别

通过L2正则化层进行特征抽取，再加入一层m*n的(m代表特征维度，n代表训练身份数量)全连接层来完成Identification,Attribute recognition两个任务。对于卷积识别(recognition)方法，使用如下softmax loss（对于identifiication子网络）：

对于属性识别子网络，使用如下标准softmax loss：

2.3 认证(verification)和triplet losses（三元组损失）

（为了进一步提高学习的深度外观特征的表现，我们增加了这两个有判别力的方法）
认证网络是pair-wise siamese网络。输入两个特征向量fi,fj。然后根据标签计算相似度。在正则化后，使用欧氏距离衡量相似度。损失函数如下：

α是幅度参数，使不同身份的图片之间的距离远大于α（???）。
Triplet子网络每次输入三个图像，verification限制的是绝对距离，而triplet限制的则是身份之间的相对距离。目标图像和positive图像（相同身份）的距离较小，和negative图像的距离较大。

β是幅度参数，使得图像与positive图像的距离和negative图像的距离远大于β。

2.4 训练及优化

如何联合优化四个loss函数，在每一个训练batch中？尤其是verification和triplet loss?
方法：（没有看懂！之后补充）

3.实验

3.1 实现细节

罗列参数（略）。
使用Flann库实现最邻近搜索算法，可以加速检索过程。

3.2 车辆检索（指标：MAP）

3.3 车辆重识别（指标：CMC curve&&TOP 1/TOP 5匹配率）

注释：
几个基本评测指标：
1.MAP：均值平均精度
2.CMC curve：累计匹配曲线。
3.HIT@1,HIT@5:TOP1命中率，TOP5命中率