用于行人重识别的嫁接网络
计算机视觉与模式识别
2020-06-09 v2
摘要
卷积神经网络在行人重识别（re-ID）中已展现出卓越的有效性。然而，这些模型对于移动应用而言总是具有大量参数与计算量。为缓解此问题，我们提出一种新颖的嫁接网络（GraftedNet），其通过将高精度砧木与轻量化接穗嫁接而设计。砧木基于ResNet-50的前部以提供强基线，而接穗是一个新设计的模块，由SqueezeNet的后部组成，以压缩参数。为提取更具判别力的特征表示，我们提出了一种联合多层次与基于部件的特征。此外，为高效训练GraftedNet，我们提出一种伴随学习方法，通过添加伴随分支在训练中训练模型并在测试中移除它以节省参数与计算量。在三个公开行人重识别基准（Market1501、DukeMTMC-reID和CUHK03）上，我们评估了GraftedNet的有效性并分析了其组件。实验结果表明，所提出的GraftedNet在Rank-1上分别达到93.02%、85.3%和76.2%，在mAP上达到81.6%、74.7%和71.6%，而参数仅有4.6M。
引用
@article{arxiv.2006.01967,
title = {Grafted network for person re-identification},
author = {Jiabao Wang and Yang Li and Shanshan Jiao and Zhuang Miao and Rui Zhang},
journal= {arXiv preprint arXiv:2006.01967},
year = {2020}
}