用于行人重识别的深度迁移学习
计算机视觉与模式识别
2016-11-23 v2
摘要
行人重识别（Re-ID）对深度学习提出了一个独特的挑战：如何在只有少量标签或无标签的小型训练集上学习一个具有数百万参数的深度模型。本文提出了多种深度迁移学习模型来解决数据稀疏问题。首先，我们设计了一种深度网络架构，它与现有的深度Re-ID模型的不同之处在于：(a) 它更适合迁移从大型图像分类数据集中学到的表示，以及 (b) 结合了分类损失和验证损失，每种损失采用不同的dropout策略。其次，我们开发了一种两步微调策略，用于从辅助数据集中迁移知识。第三，给定一个无标签的Re-ID数据集，我们基于协同训练开发了一种新颖的无监督深度迁移学习模型。所提出的模型以大幅优势超越了最先进的深度Re-ID模型：我们在CUHK03、Market1501和VIPeR上分别达到了85.4%、83.7%和56.3%的Rank-1准确率，而在VIPeR上，我们的无监督模型（45.1%）超越了大多数有监督模型。
引用
@article{arxiv.1611.05244,
title = {Deep Transfer Learning for Person Re-identification},
author = {Mengyue Geng and Yaowei Wang and Tao Xiang and Yonghong Tian},
journal= {arXiv preprint arXiv:1611.05244},
year = {2016}
}
备注
12 pages, 2 figures