面向行人重识别的分层高效学习
计算机视觉与模式识别
2020-05-19 v1 机器学习
图像与视频处理
摘要
近期行人重识别任务的工作主要关注模型精度，而忽略了与效率相关的因素，如模型大小和延迟，这些对实际应用至关重要。本文中，我们提出一种新颖的分层高效网络（HENet），其在多种损失组合监督下学习分层全局、局部与恢复特征集成。为进一步提升对不规则遮挡的鲁棒性，我们提出一种称为随机多边形擦除（RPE）的新数据集增广方法，随机擦除输入图像的不规则区域以模拟身体部位缺失。我们还提出效率分数（ES）度量来评估模型效率。在Market1501、DukeMTMC-ReID和CUHK03数据集上的大量实验显示了我们的方法相较开创性方法的效率与优越性。
引用
@article{arxiv.2005.08812,
title = {Hierarchical and Efficient Learning for Person Re-Identification},
author = {Jiangning Zhang and Liang Liu and Chao Xu and Yong Liu},
journal= {arXiv preprint arXiv:2005.08812},
year = {2020}
}