学习具有部件级分辨率的多样特征用于行人重识别
计算机视觉与模式识别
2020-01-22 v1 机器学习
摘要
学习多样特征是行人重识别成功的关键。各类基于部件的方法已被广泛提出用于学习局部表示，然而它们仍逊于性能最优的行人重识别方法。本文提出基于部件级特征分辨率（Part-Level feature Resolution）之于全尺度网络（OSNet）的思想，构建一种称为PLR-OSNet的强轻量级网络架构，以实现特征多样性。所提PLR-OSNet有两个分支，一分支用于全局特征表示，另一分支用于局部特征表示。局部分支采用均匀划分策略实现部件级特征分辨率，但仅产生单一身份预测损失，这与现有基于部件的方法形成鲜明对比。经验证据表明，尽管模型尺寸小，所提PLR-OSNet在包括Market1501、DukeMTMC-reID和CUHK03在内的流行行人重识别数据集上达到了最先进性能。
引用
@article{arxiv.2001.07442,
title = {Learning Diverse Features with Part-Level Resolution for Person Re-Identification},
author = {Ben Xie and Xiaofu Wu and Suofei Zhang and Shiliang Zhao and Ming Li},
journal= {arXiv preprint arXiv:2001.07442},
year = {2020}
}
备注
8 pages, 5 figures, submitted to IEEE TCSVT