Fisher 网络上的深度线性判别分析：一种用于行人重识别的混合架构
计算机视觉与模式识别
2016-06-07 v1
摘要
行人重识别旨在从大量干扰项中，跨视角为感兴趣的行人找到正确的匹配。它通常涉及两个过程：针对剧烈的外观变化进行非线性特征提取，以及随后的判别分析，以减少个体内差异同时增大个体间差异。在本文中，我们引入了一种混合架构，该架构结合了 Fisher 向量和深度神经网络，以学习行人图像的非线性表示，并将其映射到一个数据可以线性分离的空间。我们在深度神经网络之上强化了线性判别分析（LDA），从而能够以端到端的方式学习线性可分的潜在表示。通过优化一个由 LDA 修改而来的目标函数，网络被迫产生类内方差低、类间方差高的特征分布。该目标本质上源自一般的 LDA 特征值问题，并允许使用随机梯度下降训练网络，以及反向传播 LDA 梯度来计算 Fisher 向量编码中涉及的梯度。为了评估，我们在四个行人重识别基准数据集（VIPeR [1]、CUHK03 [2]、CUHK01 [3] 和 Market1501 [4]）上测试了我们的方法。在这些基准上的大量实验表明，我们的模型可以达到最先进的结果。
引用
@article{arxiv.1606.01595,
title = {Deep Linear Discriminant Analysis on Fisher Networks: A Hybrid Architecture for Person Re-identification},
author = {Lin Wu and Chunhua Shen and Anton van den Hengel},
journal= {arXiv preprint arXiv:1606.01595},
year = {2016}
}
备注
12 pages