[2020CVPR]Hierarchical Clustering with Hard-batch Triplet Loss for Person Re-identification
1. Introduction
該論文提出了一種基於難樣本三元組損失函式的層次聚類方法來進行無監督ReID，效能超過其他無監督方法和部分cross domain方法。
貢獻：
- 提出純無監督框架HCT。
- 將難樣本三元組損失引入無監督ReID中。
- 提出一種層次聚類方法，考慮到叢集中間的總體距離。
2. Methods
演算法的總體流程是利用在ImageNet上預訓練過的ResNet50網路作為backbone框架，對target domain的所有影像提取特徵構成特徵空間，對於得到的特徵進行有層次的聚類，在聚類完成之後，將同一個叢集視為同一行人。從所有叢集中抽取P個叢集，每個叢集抽取K張圖片，構成一個hard batch對ResNet50網路進行難樣本三元組損失訓練。
有層次的聚類
- s step步驟
- c cluster數量
- n 總樣本數
- mp merge percent 合成比例
- m = mp * c
在初始化時，認為所有樣本的特徵都是不同的id，也就是有n個叢集。
計算叢集之間的距離。叢集之間的距離利用平均距離來計算：
獲得c*c的距離矩陣，取距離最近的前m對叢集相連。
在進行s次連線之後，將其作為最終聚類結果。
難樣本三元組損失訓練
對於聚類結果的每個叢集都認為是同一id，分配同一標籤。
在聚類結果中抽取P個叢集，每個叢集取K個節點，構造hard batch，進行難樣本三元組訓練。
總演算法
3. Experiments
相關文章
- Triplet Loss 損失函式函式
- Agglomerative Hierarchical Clustering詳解
- Feature Mask Network for Person Re-identificationIDE
- 【VSA】One-shot video-based person re-identification with variance subsampling algorithmIDEGo
- An important personImport
- The most influential person
- Focal Loss改進版 GFocal Loss
- Narrative writing about a person
- A Person Who Is Important to MeImport
- Loss FunctionFunction
- GFL: Generalized Focal LossZed
- Focal loss論文解析
- 【論文筆記】Bridging Hierarchical and Sequential Context Modeling筆記Context
- ECCV 2020 | Robust Re-Identification by Multiple Views Knowledge DistillationIDEView
- 密度聚類。Clustering by fast search and聚類AST
- hudi clustering 資料聚集（一）
- hudi clustering 資料聚集（二）
- 何愷明Focal Loss改進版！GFocal Loss：良心技術，無cost漲點
- DALLE2: Hierarchical Text-Conditional Image Generation with CLIP Latents
- 簡單談談Cross Entropy LossROS
- softmax負取樣和nce loss
- PyTorch：損失函式loss functionPyTorch函式Function
- 分類任務loss不變
- You can‘t specify target table ‘Person‘ for update in FROM clause
- [20181026]12c Attribute Clustering特性.txt
- Effective Clustering on Large Attributed Bipartite Graphs翻譯
- hudi clustering 資料聚集（三 zorder使用）
- 論文解讀（GCC）《Graph Contrastive Clustering》GCAST
- 《Hierarchical Text-Conditional Image Generation with CLIP Latents》閱讀筆記筆記
- PyTorch 中 loss.grad_fn 解釋PyTorch
- 經典鏈式呼叫 Person("Dan").sleep(2).eat("dinner")
- 論文解讀SDCN《Structural Deep Clustering Network》Struct
- 論文解讀（DFCN）《Deep Fusion Clustering Network》
- 論文解讀（SCGC)《Simple Contrastive Graph Clustering》GCAST
- 分層資料 Hierarchical Data 探索 (2.鄰接表模型)模型
- Clustering and Projected Clustering with Adaptive Neighbors（自適應鄰域聚類CAN和自適應鄰域投影聚類PCAN）ProjectAPT聚類PCA
- Jan 2023-Prioritizing Samples in Reinforcement Learning with Reducible Loss
- move linux os from disk A to disk B with 0 lossLinux