借助分而治之的理念，文章进一步提出了一种改进的I-Net，称为DC-I-Net，它做出了两个新的贡献：
在著名的面向图像级搜索的基准数据集上的大量实验表明，所提出的DC-I-Net优于最新的tasks-integrated和tasks-separated的图像搜索模型。
2、本文方法
这篇论文是I-Net的一个实质性扩展，在网络架构和损失函数方面做出了以下新贡献:
2.1、I-Net
为了实现更好的图像搜索任务，I-Net(Siamese I-Net)将行人检测和行人重识别设计为端到端(End-to-End)的框架，如下图：对于每一次迭代，包含相同身份id的图像对将被输入到Siamese I-Net中。利用骨干网络进行初步特征的提取。然后，通过两个RPN结构得到候选区域。再然后将这些候选区域特征输入到ROIPooling中并输出的特征图，最后是两个全连接层分别用于检测任务和检索检索(即ReID)任务。同时该结构的提出的同时也提出了两个损失函数，即OLP Loss和HEPLoss，用于学习与ReID相关的有效特征。
通过两个RPN生成的候选区域，ROI池化层被集成到I-Net中。然后，两个Stream汇集的特征被输入到有4096个神经元的两个FC中。为了消除行人候选区域的假阳性使用二值交叉熵损失区分训练。（注意，对于一般的图像搜索任务都会使用softmax分类器来进行目标检测）；除此之外L1损失用来约束候选框的位置，同时会有一对256-D的特征用通过OLP Loss和HEP Loss来训练ReID Branch的模型。
2.2、On-line Pairing Loss (OLP Loss)
设计OLP损失函数主要从以下几个角度考虑的：
OLP Loss的设计形式如下：
OLP损失可以按照如下步骤进行复现：
2.3、Hard Example Priority Loss (HEP Loss)
OLP损失函数使正样本对的余弦距离更小，负样本对的余弦距离更大，这并不能直接对损失函数中的id标签进行回归。另外，传统的基于softmax的分类器交叉损失训练方法没有考虑样本在数据中的难易程度。基于上述考虑，提出了HEP Loss，目的是回归具有高优先级的身份标签。
在图4中，Hard Example的选择如下:
最后，利用传统的基于softmax的交叉熵损失和选择的优先级类，将提出的HEP损失函数表示为:
其中， 表示分类器给出的第i个proposal的分数，j表示第j个类。在损失函数中，只使用选定的类别进行损失计算，进而使得损失函数集中在硬类别上。
2.4、Overall Loss of I-Net
I-Net是一种将检测和重识别结合起来进行训练的端到端模型。因此损失由两部分组成:检测损失( )和重识别损失( 和 )，表示如下:
2.5、DC-I-NET
相较于I-Net，DC-I-NET：
损失函数定义如下：
DC-I-Net总损失为：
3、实验结果
更为详细内容可以参见论文中的描述。
References
[1] Tasks Integrated Networks: Joint Detection and Retrieval for Image Search
声明：转载请说明出处
扫描下方二维码关注【AI人工智能初学者】公众号，获取更多实践项目源码和论文解读，非常期待你我的相遇，让我们以梦为马，砥砺前行！！！
点“在看”给我一朵小黄花呗
本文分享自微信公众号 - AI人工智能初学者（ChaucerG）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。