用于行人重识别的多样性实现慢丢弃块网络
计算机视觉与模式识别
2020-02-12 v1
摘要
使用多分支网络架构进行行人重识别(Re-ID)的一个重大挑战是从带ID标签的数据集中学习多样化特征。最近提出的2分支Batch DropBlock (BDB)网络用于在全局分支与特征丢弃分支之间实现多样性。本文中,我们提出将丢弃操作从中间特征层移向输入(图像丢弃)。由于它可能丢弃大部分输入图像,这使得训练难以收敛。因此,我们提出了一种新颖的双批次分割协同训练方法来补救该问题。特别地,我们表明通过为每个分支设置独立的丢弃比例,利用多个丢弃分支可以很好地实现特征多样性。实证证据表明,所提方法在包括Market-1501、DukeMTMC-reID和CUHK03在内的流行行人Re-ID数据集上性能优于BDB,且使用更多丢弃分支可进一步提升性能。
引用
@article{arxiv.2002.04414,
title = {Diversity-Achieving Slow-DropBlock Network for Person Re-Identification},
author = {Xiaofu Wu and Ben Xie and Shiliang Zhao and Suofei Zhang and Yong Xiao and Ming Li},
journal= {arXiv preprint arXiv:2002.04414},
year = {2020}
}
备注
submitted to IEEE TMM for possible publication. arXiv admin note: substantial text overlap with arXiv:2001.07442