ReID任務的目的是從海量圖像中檢索出與給定query相同ID的實例。

Pairwise損失函數在ReID 任務中發揮著關鍵作用。現有方法都是基于密集采樣機制，即將每個實例都作為錨點（anchor）采樣其正樣本和負樣本構成三元組。這種機制不可避免地會引入一些幾乎沒有視覺相似性的正對，從而影響訓練效果。為了解決這個問題，我們提出了一種新穎的損失范式，稱為稀疏Pairwise (SP) 損失，在ReID任務中針對mini-batch的每一類篩選出少數合適的樣本對來構造損失函數（如圖1所示）。基于所提出的損失框架，我們進一步提出了一種自適應正挖掘策略，可以動態地適應不同類別內部的變化。大量實驗表明，SP 損失及其自適應變體AdaSP 損失在多個ReID數據集上均優于其他成對損失方法，并取得了state-of-the-art性能。

圖1. Sparse pairwise損失與Dense pairwise損失之間的差異

Adaptive Sparse Pairwise Loss for Object Re-Identification

論文地址：https://arxiv.org/abs/2303.18247

Github地址（已開源）：

https://github.com/Astaxanthin/AdaSP

研究動機：

ReID任務中的由于光照變化、視角改變和遮擋等原因會造成同一類中不同實例的視覺相似度很低（如圖2所示），因此由視覺相似度很低的實例（我們稱之為harmful positive pair）構成的正樣本對會對特征表示的學習過程帶來不利的影響，從而使訓練收斂至局部極小點。現有的方法都是以每個樣本作為錨（anchor）密集采樣正樣本對來構造度量損失函數，不可避免的會引入大量壞對影響訓練結果。基于此，我們提出了稀疏Pairwise損失函數以降低對壞對的采樣概率，從而減輕壞對在訓練過程的不利影響。

圖2. 行人ReID數據集上不同級別的類內差異

方法介紹：我們提出的稀疏Pairwise損失函數（命名為SP loss）針對每一類僅采樣一個正樣本對和一個負樣本對。其中負樣本對為該類別與其他所有類別間最難的負樣本對，而正樣本對為所有樣本的hard positive pair集合中的最不難positive pair（least-hard mining）：

從幾何角度看，以最難positive pair的距離作為半徑的超球面是能夠覆蓋所有類內樣本的最大球，而以hard positive pair集合中最不難positive pair的距離作為半徑的超球面是能夠副高所有類內樣本的最小球，如圖3所示。利用最小球能夠有效的避免過于難的harmful positive pair對于訓練過程的影響，我們從理論上證明了針對一個mini-batch，我們的方法采樣得到的正樣本對中harmful positive pair的期望占比小于Triplet-BH和Circle等密集采樣方法。

圖3. 不同級別類內差異差異下的最大和最小覆蓋球。

為了適應不同類別可能具有不同的類內差異，我們在SP loss的基礎上增加了自適應策略構成AdaSP loss：

該loss通過動態調整構造loss所用到的正樣本對相似度以適應不同的類內差異。

實驗結果：

我們在多個行人ReID數據集（包括MSMT17，Market1501，DukeMTMC，CUHK03）和車輛ReID數據集（包括VeRi-776，VehicleID，VERIWild）上驗證了AdaSP loss的有效性。實驗結果顯示AdaSP loss在單獨使用時超過Triplet-BH，Circle，MS，Supcon，EP等已有度量損失函數，如表1所示；AdaSP loss在不同骨干網絡（包括ResNet-50/101/152，ResNet-IBN，MGN，ViT，DeiT）上的ReID性能均優于Triplet-BH；此外，AdaSP loss結合分類損失函數在ReID任務上達到了State-of-the-art的性能。

表1. 在不同數據集上不同度量損失函數的性能比較

具體細節可以參考原文。

審核編輯 ：李倩