Deep Miner：一种挖掘丰富多样特征用于行人重识别的深度多分支网络
计算机视觉与模式识别
2021-02-19 v1
摘要
多数近期行人重识别方法基于深度卷积神经网络（CNNs）的使用。这些网络虽在分类或目标检测等多任务中有效，却倾向于关注对象最具判别力的部分而非检索其所有相关特征。该行为损害了 CNN 在重识别任务中的性能，因其应识别多样且细粒度的特征。为使人的重识别过程有效且对细微变化鲁棒，让网络学习广泛更精细特征至关重要。本文中，我们引入 Deep Miner，一种使 CNNs 为人们重识别“挖掘”更丰富多样特征的方法。Deep Miner 具体由三类分支组成：全局分支（G-branch）、局部分支（L-branch）与输入擦除分支（IE-branch）。G-branch 对应预测全局特征的初始骨干，L-branch 检索部件级分辨率特征。IE-branch 则接收部分抑制的特征图作为输入，从而让网络“挖掘”新特征（即 G-branch 忽略的特征）作为输出。为此特殊目的，引入了用于识别并移除给定 CNN 内特征的专用抑制过程。该抑制过程的主要益处是简单，同时产生的模型显著优于最先进（SOTA）重识别方法。具体地，我们在四个标准行人重识别基准上实验，并观察到相较 SOTA 最高 6.5% mAP 的绝对性能提升。
引用
@article{arxiv.2102.09321,
title = {Deep Miner: A Deep and Multi-branch Network which Mines Rich and Diverse Features for Person Re-identification},
author = {Abdallah Benzine and Mohamed El Amine Seddik and Julien Desmarais},
journal= {arXiv preprint arXiv:2102.09321},
year = {2021}
}