面向行人重识别的结构化图拉普拉斯嵌入深度特征学习
计算机视觉与模式识别
2017-07-26 v1
摘要
学习样本对之间的距离度量对于视觉识别，特别是行人重识别（Re-Id）至关重要。最近，对比损失和三元组损失被提出以增强深度所学特征的判别能力，并取得了显著成功。可以看出，无论是对比损失还是三元组损失，都只是这些训练样本之间欧氏距离关系的一种特例。因此，我们提出了一种结构化图拉普拉斯嵌入算法，该算法可以将所有这些结构化的距离关系公式化为图拉普拉斯形式。所提出的方法能够通过构建的完全图，充分利用这些训练样本之间的结构化距离关系。此外，这种公式化使得我们的方法易于实现且超级有效。当将所提出的算法与 softmax 损失结合用于 CNN 训练时，我们的方法可以获得具有人际间分散和人内部紧凑性的更鲁棒、更具判别力的深度特征，这对行人 Re-Id 至关重要。我们在三个流行网络（即 AlexNet、DGDNet 和 ResNet50）上，在最近四个广泛使用的 Re-Id 基准数据集上展示了所提出方法的有效性。我们提出的方法达到了最先进的性能。
引用
@article{arxiv.1707.07791,
title = {Deep Feature Learning via Structured Graph Laplacian Embedding for Person Re-Identification},
author = {De Cheng and Yihong Gong and Zhihui Li and Weiwei Shi and Alexander G. Hauptmann and Nanning Zheng},
journal= {arXiv preprint arXiv:1707.07791},
year = {2017}
}
备注
9 pages, 4 figures