具有改进嵌入与高效训练的深度行人重识别
计算机视觉与模式识别
2017-07-11 v3
摘要
近年来，深度卷积神经网络(CNNs)极大地推动了行人重识别任务。其核心在于扩大类间差异并减小类内方差。然而，为实现此目标，现有深度模型倾向于采用图像对或三元组来构成验证损失，这由于训练对或三元组的数量随训练数据增长而迅速增长，因而是低效且不稳定的。此外，由于它们忽略了嵌入的不同维度可能具有不同重要性这一事实，其性能受限。本文中，我们提出采用识别损失与中心损失来训练用于行人重识别的深度模型。该训练过程高效，因为无需图像对或三元组进行训练，同时类间差异与类内方差得到良好处理。为提升性能，设计了一种新的特征重加权(FRW)层以显式强调每个嵌入维度的重要性，从而产生改进的嵌入。在多个基准数据集上的实验表明了我们的方法在准确率和速度上相对于最先进替代方案的优越性。
引用
@article{arxiv.1705.03332,
title = {Deep Person Re-Identification with Improved Embedding and Efficient Training},
author = {Haibo Jin and Xiaobo Wang and Shengcai Liao and Stan Z. Li},
journal= {arXiv preprint arXiv:1705.03332},
year = {2017}
}
备注
Accepted by IJCB 2017