En Défense de la Perte Triplet pour la Ré-identification des Personnes

Ces dernières années, le domaine de la vision par ordinateur a connu une révolution principalement alimentée par l'arrivée de grands ensembles de données et l'adoption des réseaux neuronaux convolutifs profonds pour l'apprentissage de bout en bout. Le sous-domaine de la réidentification des personnes n'échappe pas à cette tendance. Malheureusement, une croyance prévalente au sein de la communauté semble être que la perte triplet est inférieure à l'utilisation de pertes substitutives (classification, vérification) suivie d'une étape distincte d'apprentissage métrique. Nous démontrons que, qu'il s'agisse de modèles entraînés à partir de zéro ou de modèles préentraînés, l'utilisation d'une variante de la perte triplet pour effectuer un apprentissage métrique profond de bout en bout surpasse la plupart des autres méthodes publiées avec une marge considérable.