【论文笔记】基于深度超球面多样化嵌入的人体重确认

1. 摘要翻译

许多当前成功的人体识别系统用softmax损失函数来训练一个模型，以此同时对不同人进行分类并得到特征向量。然而潜在的特征嵌入空间被忽视了。这篇文章中，我们使用了一个经过修改的Softmax Loss函数，称为球面Softmax Loss函数，来同时解决分类问题并训练一个超球面流形分类问题。同时介绍了一种平衡的抽样策略，最后，我们提出了一种称为SphereReID的深度卷积神经网络，来适应Sphere Softmax，并使用一种新的热身学习率训练一个单独的端到端模型，计划在四个有挑战性的训练集上进行测试。实验结果在Market-1501和 DukeMTMC-reID两个数据集上取得了当前最好的结果。

另外本文目标和其他文章略有不同，其他文章是在手势领域将包含手势的照片进行分类，而本文要通过一张照片找出相册中所有包含这个照片中人物，稍微优点不一样。

2. 文章的研究现状

当前的ReID研究大致可以分为两类：基于特征的和基于指标的。大致的方法大概分为两部，

1. 从图片中提取特征
2. 指定合理的判断标准来比较不同图片中的特征
   但是问题在于：
   没有显式的特征空间限制，已经学习到的激活映射可能不是最佳的。
   为了解决这个问题：
   有些方法已经提出，学习原图的一个嵌入（Embedding）以满足一些特定条件（？？？）
   比如，要求同类测试点之间的距离必须小于不同类别之间的距离

3. 创新点

1. 介绍了一种新的分类损失函数，可以监督模型对不同人的图像进行分类，同时学习超球面流形上的嵌入。
2. 采用平衡采样策略消除了样本量偏差，在不增加计算开销的情况下，进一步提高了模型的性能。
3. 提出了一种称为SphereReID的新型网络，采用1中的Loss函数。

4. 公式

最终得到的结果和…NSL的公式一样
另外还介绍了一下解决一个训练集中不同类别的样本数目不同的问题。