通过同源余弦损失学习深度特征用于行人识别

行人识别旨在跨时空、在复杂场景和相似外观下识别同一身份。本文提出了一种新颖的方法，通过训练网络获取鲁棒且具有代表性的特征来解决这一任务。其直觉是，我们直接比较并优化两个特征之间的余弦距离——既扩大类间区分度，又减轻类内方差。我们提出了一种同源余弦损失，通过以协作方式最小化样本与其聚类中心之间的余弦距离来实现。这种设计降低了复杂度，并可通过带归一化输入的 softmax 来实现。我们的方法也不同于以往的行人识别工作，因为我们不在测试子集上进行二次训练。一个人的身份是通过测量参考集中若干身体区域的相似度来确定的。实验结果表明，与先前的最先进方法相比，所提出的方法取得了更好的分类准确率。