特斯联公布AI新突破：基于图采样深度度量学习的可泛化行人重识别

【环球网科技综合报道】6月30日消息，特斯联科技集团首席科学家兼特斯联国际总裁邵岭博士及团队提出了一种高效的小批量采样（mini-batch sampling）方法——图采样（Graph Sampling， GS），用于大规模深度度量学习，极大改善了可泛化行人重识别。

近日，该研究成果（题为: Graph Sampling Based DeepMetric Learning for Generalizable Person Re-Identification）已被今年的 CVPR 接受并发表。

据介绍，该团队提出了一种高效的小批量采样方法，称为图采样（GS），用于大规模深度度量学习。其基本思想是在每个epoch开始时为所有的类别构建一个最近邻关系图。然后，通过随机选择一个类别作为锚点（anchor），同时选择其前k个最近邻类别来执行小批量采样，每个类别拥有相同K个实例。通过这种方式，小批量采样中的实例大多彼此相似，从而为判别式学习提供了信息量大且具有挑战性的实例。

通过前述研究，证明了热门的PK采样器在深度度量学习中并不高效，因而提出了一种新的批量采样器，称为图采样器（GS），以帮助更有效地学习判别模型，通过构建所有类别的近邻图来进行信息采样，团队成功验证了所提出的方案。同时，借助有竞争性的基线，团队在可泛化行人重识别领域获得了最优成绩，显著改善了其性能。同时，通过去除分类参数，并且仅使用小批量中样本的两两之间的距离来计算损失，训练时间得到大大缩减。在特斯联看来，团队提出的技术尤其具备通用性，其同样可应用于包含图像检索等在内的其他领域。