用于行人重识别的深度自步学习

行人重识别（Re-ID）通常受到背景杂乱和相互遮挡的噪声样本的困扰，这使得在互不重叠的相机视图中区分不同个体变得极其困难。在本文中，我们提出了一种新颖的深度自步学习（DSPL）算法来缓解这一问题，其中我们应用自步约束和对称正则化来帮助相对距离度量训练深度神经网络，从而为行人Re-ID学习稳定且具判别性的特征。首先，我们提出了一个软多项式正则化项，它可以根据训练损失和模型年龄为样本导出自适应权重。因此，在整个训练过程的早期阶段，高置信度的保真样本将被强调，而低置信度的噪声样本将被抑制。这种学习机制自然地在自步学习（SPL）框架下实现，其中使用交替优化方法基于模型年龄和样本损失自适应地更新样本权重。其次，我们引入了一个对称正则化项来修正由相对距离度量导出的不对称梯度反向传播，从而在每个三元组单元中同时最小化类内距离并最大化类间距离。最后，我们构建了一个基于部件的深度神经网络，其中不同身体部件的特征首先在较低的卷积层中被判别性地学习，然后在较高的全连接层中进行融合。在几个基准数据集上的实验表明，与最先进的方法相比，我们的方法具有优越的性能。