基于组合深度空间架构搜索的人员重识别
计算机视觉与模式识别
2021-04-12 v1
摘要
大多数人员重识别（ReID）工作利用为图像分类而非 ReID 设计的大型骨干网络（如 ResNet）进行特征提取。然而，这些骨干网络在计算上可能不够高效，或不是最适合 ReID 的架构。在本工作中，我们旨在设计一种轻量且适合 ReID 的网络。我们提出一种称为组合深度空间（CDS）的新搜索空间，并基于此通过可微架构搜索算法搜索一种高效网络架构，称之为 CDNet。通过使用 CDS 中组合的基本构建块，CDNet 倾向于关注行人图像中典型的组合模式信息。然后我们提出一种称为 Top-k 样本搜索策略的低成本搜索策略，以充分利用搜索空间并避免陷入局部最优结果。此外，提出了一种在推理时可移除的有效细粒度平衡颈（FBLNeck），用于在训练过程中平衡三元组损失与 softmax 损失的影响。大量实验表明，我们的 CDNet（约 1.8M 参数）与最先进轻量网络性能相当。
引用
@article{arxiv.2104.04163,
title = {Combined Depth Space based Architecture Search For Person Re-identification},
author = {Hanjun Li and Gaojie Wu and Wei-Shi Zheng},
journal= {arXiv preprint arXiv:2104.04163},
year = {2021}
}
备注
Accepted by CVPR2021