用于行人重识别及更广任务的批量丢弃块网络
计算机视觉与模式识别
2023-02-13 v3
摘要
由于行人重识别任务常受姿态变化与遮挡问题困扰，训练 CNN 时一些 attentive 局部特征常被抑制。本文提出批量丢弃块(BDB)网络，这是一个双分支网络，由作为全局分支的常规 ResNet-50 与特征丢弃分支组成。全局分支编码全局显著表征。同时，特征丢弃分支包含一个称为批量丢弃块的 attentive 特征学习模块，该模块随机丢弃一批中所有输入特征图的同一区域，以强化局部区域的 attentive 特征学习。网络随后拼接两分支特征，提供更全面且空间分布的特征表示。尽管简单，我们的方法在行人重识别上取得最先进性能，且适用于一般度量学习任务。例如，我们在 CUHK03-Detect 数据集上取得 76.4% 的 Rank-1 准确率，在 Stanford Online Products 数据集上取得 83.0% 的 Recall-1 分数，大幅超越已有工作(超过 6%)。
引用
@article{arxiv.1811.07130,
title = {Batch DropBlock Network for Person Re-identification and Beyond},
author = {Zuozhuo Dai and Mingqiang Chen and Xiaodong Gu and Siyu Zhu and Ping Tan},
journal= {arXiv preprint arXiv:1811.07130},
year = {2023}
}
备注
Accepted by ICCV 2019