DARI：面向行人验证的距离度量与表示集成
计算机视觉与模式识别
2016-04-18 v1
摘要
过去十年见证了特征表示学习与距离度量学习的快速发展，然而这两个步骤常被分开讨论。为探索其相互作用，本文提出一种端到端学习框架DARI，即距离度量与表示集成（Distance metric And Representation Integration），并在具有挑战性的行人验证任务中验证了DARI的有效性。给定标注了标签的训练图像，我们首先生成大量三元组单元，每个单元包含三张图像，即一个人以及匹配/不匹配的参考图像。对于每个三元组单元，匹配对与不匹配对之间的距离差异倾向于被最大化。我们通过构建卷积神经网络的深度架构来求解该目标。特别地，马氏距离矩阵被自然分解为一个顶层全连接层，该层与其他表示图像特征的底层无缝集成。由此，图像特征与距离度量可通过一次性反向传播同时优化。在多个公开数据集上，DARI在跨摄像头重识别个体以应对各种挑战时表现出非常有前景的性能，并优于其他最先进的方法。
引用
@article{arxiv.1604.04377,
title = {DARI: Distance metric And Representation Integration for Person Verification},
author = {Guangrun Wang and Liang Lin and Shengyong Ding and Ya Li and Qing Wang},
journal= {arXiv preprint arXiv:1604.04377},
year = {2016}
}
备注
To appear in Proceedings of AAAI Conference on Artificial Intelligence (AAAI), 2016