面向实际行人重识别的深度度量学习
计算机视觉与模式识别
2014-07-21 v1 机器学习
神经与进化计算
摘要
各种手工设计的特征和度量学习方法在行人重识别领域占据主导地位。与这些方法相比，本文提出了一种更通用的方法，可以直接从图像像素中学习相似度度量。通过使用“孪生”深度神经网络，所提出的方法可以在一个统一的框架中联合学习颜色特征、纹理特征和度量。该网络具有对称结构，包含两个通过余弦函数连接的子网络。为了应对行人图像的巨大变化，使用二项式偏差来评估相似度与标签之间的代价，事实证明其对异常值具有鲁棒性。与现有研究相比，实验研究了一种更实际的设置，即在不同数据集上进行训练和测试（跨数据集行人重识别）。在“数据集内”和“跨数据集”两种设置下，所提出方法在 VIPeR 和 PRID 数据集上的优越性均得到了证实。
引用
@article{arxiv.1407.4979,
title = {Deep Metric Learning for Practical Person Re-Identification},
author = {Dong Yi and Zhen Lei and Stan Z. Li},
journal= {arXiv preprint arXiv:1407.4979},
year = {2014}
}