1. どんなもの？

surogate lossに比べ、triplet lossは以下の点から有用でないというのが通説であった。

• データセットが大きくなればなるほど、取りうるtripletの数も３乗に増えていき、トレーニング時間が膨大になる
• そのため、hard tripletのminingが必要となるが、hardest tripletだけだと外れ値だけで学習することになってしまう。
• そこで一般的にはmoderate negativesやmoderate positivesをminingすることが多い。
  どのようなminingをするにしても大きな塊を直近のfでembeddingし、それらのデータポイントの距離を取る必要がある。
  上記に関して既存の方法には無駄があるため、本論文ではtriplet lossの既存の方法に変更を加え、提案している。
• Batch Hard

• Batch All

• データセット
  MARS
  Market-1501
  CUHK03

• Model
  TriNet … batch hard triplet loss
  LuNet … scratch

• Evaluation
  mean average precision score (mAP)
  cumulative matching curve (CMC) at rank-1, rank-5

Identification models
Verification models

2. 先行研究と比べてどこがすごいの？

3. 技術や手法の”キモ”はどこにある？

4. どうやって有効だと検証した？

学習済みネットワークと組み合わせ、３つのReIDデータセットを用いた。
顔認識において訓練済みネットワークを使うことが多かったが、スクラッチで作ったネットワークも高いスコアを出し、有効であることを示した。

5. 議論はあるか？

6. 次に読むべき論文はあるか？

• 評価方法

論文情報・リンク

• Hermans Alexander, Beyer Lucas, Leibe Bastian, “In Defense of the Triplet Loss for Person Re-Identification” 2017年 論文リンク