深度行人重识别的强基线方法与批归一化颈结构
计算机视觉与模式识别
2020-01-08 v2
摘要
本研究探索一种简单但强力的行人重识别（ReID）基线。近年来，基于深度神经网络的行人 ReID 取得进展并达到高性能。然而，许多最先进方法设计复杂网络结构并拼接多分支特征。文献中，一些有效训练技巧零星出现于若干论文或源代码中。本研究收集并评估了行人 ReID 中这些有效训练技巧。通过组合这些技巧，模型仅使用 ResNet50 的全局特征即在 Market1501 上达到 94.5% rank-1 与 85.9% 平均精度均值。该性能超越了行人 ReID 中所有现有的全局与局部基线。我们提出一种名为批归一化颈（BNNeck）的新颈结构。BNNeck 在全局池化层后添加批归一化层，将度量损失与分类损失分离到两个不同特征空间，因为我们观察到它们在单一嵌入空间中不一致。扩展实验表明 BNNeck 可提升基线，且我们的基线能改善现有最先进方法的性能。我们的代码与模型见于：https://github.com/michuanhaohao/reid-strong-baseline。
引用
@article{arxiv.1906.08332,
title = {A Strong Baseline and Batch Normalization Neck for Deep Person Re-identification},
author = {Hao Luo and Wei Jiang and Youzhi Gu and Fuxu Liu and Xingyu Liao and Shenqi Lai and Jianyang Gu},
journal= {arXiv preprint arXiv:1906.08332},
year = {2020}
}
备注
Accepted by IEEE Transactions on Multimedia. This is the submitted journal version of the oral paper [arXiv:1903.07071] in CVPRW'19. Code are avaliable at: https://github.com/michuanhaohao/reid-strong-baseline