面向行人重识别的约束深度度量学习

行人重识别旨在从不同相机视角下给定的一组图像中重新识别探测图像。由于姿态、光照、遮挡和相机视角的巨大变化，该任务具有挑战性。由于卷积神经网络（CNN）具有优异的特征提取能力，某些深度学习方法最近被应用于行人重识别。然而，在行人重识别中，深度网络常常遭受过拟合问题。本文中，我们提出一种新颖的基于CNN的方法，以学习一种在行人重识别中对过拟合问题具有良好鲁棒性的判别性度量。首先，构建了一种新颖的深度架构，其中马哈拉诺比斯度量在权重约束下学习。该权重约束用于正则化学习，使得学习到的度量具有更好的泛化能力。其次，我们发现类内样本对的选择对学习至关重要但很少受到关注。为了应对行人图像中较大的类内变化，我们提出了一种名为适度正样本挖掘的新训练策略，以防止训练过程对类内对中的极端样本过拟合。实验表明，我们的方法在多个行人重识别基准上显著优于最先进的方法。