分解蒸馏：通过蒸馏部分 ReID 模型集成训练整体行人重识别模型
计算机视觉与模式识别
2018-11-21 v1 人工智能
机器学习
摘要
行人重识别（ReID）旨在跨不同摄像头捕获的视频识别同一个人。鉴于使用普通网络架构提取全局特征的网络因其弱注意力机制难以提取局部特征，研究者提出了许多精心设计的 ReID 网络，虽然在大幅提升准确率的同时，模型尺寸与特征提取延迟也急剧攀升。我们认为，一个相对紧凑的、提取全局池化特征的普通网络具备提取有判别力的局部特征的能力，并且只要模型参数得到恰当学习，就能达到最先进的精度。为降低学习困难身份标签的难度，我们提出一种新颖的知识蒸馏方法：分解蒸馏（Factorized Distillation），它将整体 ReID 网络的特征图与检索特征进行分解，以模仿多个部分 ReID 模型的表示，从而将部分 ReID 模型的知识迁移到整体网络。实验表明，用所提方法训练的模型能以相对较少的网络参数超越最先进水平。
关键词
引用
@article{arxiv.1811.08073,
title = {Factorized Distillation: Training Holistic Person Re-identification Model by Distilling an Ensemble of Partial ReID Models},
author = {Pengyuan Ren and Jianmin Li},
journal= {arXiv preprint arXiv:1811.08073},
year = {2018}
}
备注
10 pages, 5 figures