基于自适应L2正则化的行人重识别

我们提出了一种在行人重识别（person re-identification）任务中自适应调整L2正则化强度的机制。在现有文献中，通常采用人工选定的、在整个训练过程中保持不变的正则化系数。与现有方法不同，本文所提出的正则化系数通过反向传播实现自适应更新。具体而言，我们引入可学习的标量变量作为正则化系数，并将其输入到一个缩放后的硬Sigmoid函数中进行动态调节。在Market-1501、DukeMTMC-reID和MSMT17三个主流数据集上的大量实验验证了该框架的有效性。尤为突出的是，我们在目前规模最大、最具挑战性的行人重识别数据集MSMT17上取得了当前最优的性能表现。项目源代码已公开，可访问 https://github.com/nixingyang/AdaptiveL2Regularization 获取。