基于弹性损失的不完整描述子挖掘用于行人重识别
计算机视觉与模式识别
2021-03-05 v4
摘要
本文提出一种新颖的行人重识别 (Re-ID) 模型——连续批丢弃块网络 (CBDB-Net)，以捕获用于行人 Re-ID 任务的专注且鲁棒的行人描述子。CBDB-Net 包含两个新颖设计：连续批丢弃块模块 (CBDBM) 和弹性损失 (EL)。在连续批丢弃块模块 (CBDBM) 中，我们首先对特征图进行均匀划分，然后自上而下独立且连续地丢弃特征图上的每个块，从而输出多个不完整特征图。在训练阶段，这些多个不完整特征能更好地促使 Re-ID 模型捕获鲁棒的行人描述子用于 Re-ID 任务。在弹性损失 (EL) 中，我们设计了一个新的权重控制项，以帮助 Re-ID 模型在整个训练过程中自适应地平衡困难样本对与简单样本对。通过大量消融实验，我们验证了连续批丢弃块模块 (CBDBM) 和弹性损失 (EL) 均对 CBDB-Net 的性能提升有贡献。我们证明了我们的 CBDB-Net 在三个标准行人 Re-ID 数据集（Market-1501、DukeMTMC-Re-ID 和 CUHK03 数据集）、三个遮挡行人 Re-ID 数据集（Occluded DukeMTMC、Partial-REID 和 Partial iLIDS 数据集）以及一个通用图像检索数据集（In-Shop Clothes Retrieval 数据集）上均能取得具有竞争力的性能。
引用
@article{arxiv.2008.04010,
title = {Incomplete Descriptor Mining with Elastic Loss for Person Re-Identification},
author = {Hongchen Tan and Yuhao Bian and Huasheng Wang and Xiuping Liu and Baocai Yin},
journal= {arXiv preprint arXiv:2008.04010},
year = {2021}
}
备注
Acceped by IEEE Transactions on Circuits and Systems for Video Technology (TCSVT)