利用域引导 Dropout 学习用于行人重识别的深度特征表示
计算机视觉与模式识别
2016-04-27 v1
摘要
利用来自多个域的数据为同一问题学习通用且鲁棒的特征表示具有重大价值，尤其是对于拥有多个数据集但无一足够大以提供丰富数据变化的问题。本工作中，我们提出了一个利用卷积神经网络 (CNNs) 从多域学习深度特征表示的流程。当用所有域的数据训练 CNN 时，一些神经元学习到跨多个域共享的表示，而另一些仅对特定域有效。基于这一重要观察，我们提出一种域引导 Dropout (Domain Guided Dropout) 算法来改进特征学习过程。实验显示了我们的流程与所提算法的有效性。我们的方法在行人重识别问题上大幅优于多个数据集上的当前最优 (state-of-the-art) 方法。
引用
@article{arxiv.1604.07528,
title = {Learning Deep Feature Representations with Domain Guided Dropout for Person Re-identification},
author = {Tong Xiao and Hongsheng Li and Wanli Ouyang and Xiaogang Wang},
journal= {arXiv preprint arXiv:1604.07528},
year = {2016}
}
备注
To appear in CVPR2016