用于行人重识别的CNN集成端到端训练
计算机视觉与模式识别
2020-10-06 v1 机器学习
摘要
我们提出一种用于行人重识别（ReID）的端到端集成方法，以解决判别模型中的过拟合问题。已知这类模型易收敛，但普遍偏向训练数据并可能产生高模型方差，即过拟合。由于训练与测试分布间存在较大差异，ReID任务更易受此问题影响。为此，我们提出的集成学习框架在单一DenseNet中生成多个多样且准确的基学习器。由于大多数高代价密集块被共享，本方法计算高效，相较于传统集成模型更具优势。在多个基准数据集上的实验表明，本方法取得了当前最优（state-of-the-art）结果。尤其在小规模数据集上的显著性能提升，表明所提方法有效应对了过拟合问题。
引用
@article{arxiv.2010.01342,
title = {End-to-End Training of CNN Ensembles for Person Re-Identification},
author = {Ayse Serbetci and Yusuf Sinan Akgul},
journal= {arXiv preprint arXiv:2010.01342},
year = {2020}
}