用于行人重识别的异构分支与多级分类网络
计算机视觉与模式识别
2020-06-03 v1
摘要
具有多分支的卷积神经网络近期被证明在行人重识别中非常有效。研究人员利用部位模型设计多分支网络，但他们总是将其有效性归因于多个部位。此外，现有的多分支网络总是具有同构分支，缺乏结构多样性。为了改善这一问题，我们提出了一种新颖的异构分支与多级分类网络（HBMCN），其基于预训练的 ResNet-50 模型设计。基于 SE-Res 模块提出了一种新的异构分支 SE-Res-Branch，该模块由 Squeeze-and-Excitation block 和残差块组成。此外，为 HBMCN 的监督学习提出了一种新的多级分类联合目标函数，由此从多个高层提取多级特征并拼接以表示行人。基于三个公开的行人重识别基准（Market1501、DukeMTMC-reID 和 CUHK03），实验结果表明所提出的 HBMCN 在 Rank-1 上达到 94.4%、85.7% 和 73.8%，在 mAP 上达到 85.7%、74.6% 和 69.0%，实现了 SOTA 性能。进一步分析表明，专门设计的异构分支优于同构分支，且与单级分类相比，多级分类提供了更具判别性的特征。因此，HBMCN 在行人重识别任务中提供了实质性的进一步改进。
引用
@article{arxiv.2006.01367,
title = {A heterogeneous branch and multi-level classification network for person re-identification},
author = {Jiabao Wang and Yang Li and Yangshuo Zhang and Zhuang Miao and Rui Zhang},
journal= {arXiv preprint arXiv:2006.01367},
year = {2020}
}