用于行人重识别的带部件损失的深度表示学习
计算机视觉与模式识别
2019-09-05 v2
摘要
为未见过的行人图像学习判别性表示对于行人重识别 (ReID) 至关重要。当前大多数方法在分类任务中学习深度表示，这本质上最小化了训练集上的经验分类风险。如我们的实验所示，此类表示通常关注于对训练集有判别力的几个身体部位，而不是整个人体。受 SVM 中结构风险最小化原则的启发，我们修订了传统的深度表示学习过程，以同时最小化经验分类风险和表示学习风险。表示学习风险由提出的部件损失 (part loss) 评估，该损失自动为图像生成若干部件，并分别计算每个部件上的人物分类损失。与传统的全局分类损失相比，同时考虑多个部件损失迫使深度网络关注整个人体并学习不同部件的判别性表示。在三个数据集（即 Market1501、CUHK03、VIPeR）上的实验结果表明，我们的表示优于现有的深度表示。
引用
@article{arxiv.1707.00798,
title = {Deep Representation Learning with Part Loss for Person Re-Identification},
author = {Hantao Yao and Shiliang Zhang and Yongdong Zhang and Jintao Li and Qi Tian},
journal= {arXiv preprint arXiv:1707.00798},
year = {2019}
}
备注
9 pages, 9 figures