Beziehungserhaltende Triplet-Mining zur Stabilisierung der Triplet-Loss in Re-Identifikationssystemen

Objektauftritte verändern sich bei Änderungen der Pose erheblich. Dies stellt eine Herausforderung für Einbettungsschemata dar, die darauf abzielen, Instanzen mit derselben Objekt-ID an möglichst nahe beieinanderliegenden Positionen zu platzieren. Dieses Problem verstärkt sich erheblich in komplexen Aufgaben des Computersehens wie der Re-Identifikation (reID). In diesem Paper schlagen wir vor, dass diese starken Veränderungen der Erscheinung darauf hindeuten, dass eine Objekt-ID aus mehreren natürlichen Gruppen besteht, und es ist kontraproduktiv, Instanzen aus verschiedenen Gruppen gewaltsam an einen gemeinsamen Ort abzubilden. Daraus ergibt sich unsere Einführung von Relation Preserving Triplet Mining (RPTM), einem durch Merkmalsübereinstimmung geleiteten Triplet-Mining-Ansatz, der sicherstellt, dass Tripletts die natürlichen Untergruppierungen innerhalb einer Objekt-ID respektieren. Mit diesem Triplet-Mining-Mechanismus entwickeln wir eine posebewusste, gut konditionierte Triplet-Loss-Funktion, indem wir indirekt Konsistenz in Blickrichtung erzwingen. Dadurch kann ein einzelnes Netzwerk mit festen Parametern über verschiedene Datensätze hinweg trainiert werden und liefert dennoch state-of-the-art Ergebnisse. Der Quellcode ist unter https://github.com/adhirajghosh/RPTM_reid verfügbar.